如何识别和标记特定列中的重复数据

Posted 2023-03-29

【中文标题】如何识别和标记特定列中的重复数据

【英文标题】：How to identify and mark duplicate data in a specific column

【发布时间】：2022-01-17 23:49:06

【问题描述】：

我有一个数据集，其中包含不同列中的一些重复 ID 和日期。我正在尝试识别和标记重复的 ID，以便我可以使用 ifelse 语句进一步分解此数据集。 Sample of data set 如果您查看数据，您会看到在Case: Case Number 列中，有一个重复的ID。在Questionnaire: Created Date 列中，日期不同。我基本上希望能够识别“案例编号”列中的重复项目，并判断“日期”列中的日期是不同还是相同。如果我什至能弄清楚如何做一个 ifelse 语句来帮助我标记重复的数字，那就太棒了。我只是不确定如何进行。最终目标是删除具有相同日期的重复项。有什么想法吗？

【问题讨论】：

请不要发布代码/数据/错误的图像：它会破坏屏幕阅读器并且无法复制或搜索（参考：meta.***.com/a/285557 和 xkcd.com/2116）。请直接包含代码、控制台输出或数据（例如，data.frame(...) 或来自dput(head(x)) 的输出）。

或许complete.cases(x[,c(5,7)])?

【参考方案1】：

这是一个例子

library(lubridate)
library(dplyr)

x = data.frame(ID = c(1,1,2,3), date = as_date(c(1,1,2,4))) %>%
  group_by(ID,date) %>%
  mutate(duplicated = n() > 1)

输出

  ID date       duplicated
  <dbl> <date>     <lgl>     
1     1 1970-01-02 TRUE      
2     1 1970-01-02 TRUE      
3     2 1970-01-03 FALSE     
4     3 1970-01-05 FALSE