dplyrを使用して重複行を削除する

私はこのようなdata.frameを持っています-

set.seed(123)
df = data.frame(x=sample(0:1,10,replace=T),y=sample(0:1,10,replace=T),z=1:10)
> df
   x y  z
1  0 1  1
2  1 0  2
3  0 1  3
4  1 1  4
5  1 0  5
6  0 1  6
7  1 0  7
8  1 0  8
9  1 0  9
10 0 1 10

最初の2つの列に基づいて重複行を削除したいと思います。期待される出力-

df[!duplicated(df[,1:2]),]
  x y z
1 0 1 1
2 1 0 2
4 1 1 4

dplyrパッケージを使用したソリューションを具体的に探しています。

注：dplyr現在distinct、この目的のための関数が含まれています。

以下の元の答え：

library(dplyr)
set.seed(123)
df <- data.frame(
  x = sample(0:1, 10, replace = T),
  y = sample(0:1, 10, replace = T),
  z = 1:10
)

1つのアプローチは、グループ化し、最初の行のみを保持することです。

df %>% group_by(x, y) %>% filter(row_number(z) == 1)

## Source: local data frame [3 x 3]
## Groups: x, y
## 
##   x y z
## 1 0 1 1
## 2 1 0 2
## 3 1 1 4

（dplyr 0.2では、ダミーz変数は必要なく、単に書き込むことができますrow_number() == 1）

次のslice()ように機能する関数を追加することも考えています。

df %>% group_by(x, y) %>% slice(from = 1, to = 1)

または、そのバリエーションunique()を使用して、使用する変数を選択できます。

df %>% unique(x, y)

これはを使用したソリューションdplyr >= 0.5です。

library(dplyr)
set.seed(123)
df <- data.frame(
  x = sample(0:1, 10, replace = T),
  y = sample(0:1, 10, replace = T),
  z = 1:10
)

> df %>% distinct(x, y, .keep_all = TRUE)
    x y z
  1 0 1 1
  2 1 0 2
  3 1 1 4

完全を期すために、以下も機能します。

df %>% group_by(x) %>% filter (! duplicated(y))

ただし、私はを使用したソリューションを好み、distinctそれもより高速であると思います。

ほとんどの場合、distinct()すでに提案されているように、最良のソリューションはdplyrから使用することです。

ただし、slice()dplyr の関数を使用する別のアプローチを次に示します。

# Generate fake data for the example
  library(dplyr)
  set.seed(123)
  df <- data.frame(
    x = sample(0:1, 10, replace = T),
    y = sample(0:1, 10, replace = T),
    z = 1:10
  )

# In each group of rows formed by combinations of x and y
# retain only the first row

    df %>%
      group_by(x, y) %>%
      slice(1)

distinct()関数との違い

このソリューションの利点は、元のデータフレームからどの行が保持されるかを明確にし、arrange()関数と適切に組み合わせることができることです。

顧客の販売データがあり、顧客ごとに1つのレコードを保持し、そのレコードを最新の購入からのレコードにしたいとします。それからあなたは書くことができます：

customer_purchase_data %>%
   arrange(desc(Purchase_Date)) %>%
   group_by(Customer_ID) %>%
   slice(1)

データセットを削減するためにRで列を選択すると、多くの場合、重複が発生する可能性があります。

これらの2行は同じ結果になります。それぞれ、2つの列のみが選択された一意のデータセットを出力します。

distinct(mtcars, cyl, hp);

summarise(group_by(mtcars, cyl, hp));

重複している行を検索する場合は、find_duplicatesfrom を使用できますhablar。

library(dplyr)
library(hablar)

df <- tibble(a = c(1, 2, 2, 4),
             b = c(5, 2, 2, 8))

df %>% find_duplicates()