输出：

Question

我已将CSV文件读入R data.frame。某些行在其中一列中具有相同的元素。我想删除该列中重复的行。例如：

platform_external_dbus          202           16                     google        1
platform_external_dbus          202           16         space-ghost.verbum        1
platform_external_dbus          202           16                  localhost        1
platform_external_dbus          202           16          users.sourceforge        8
platform_external_dbus          202           16                    hughsie        1

我只希望其中一行，因为其他行在第一列中具有相同的数据。

Answer 1

对于那些来这里寻找重复行删除的一般答案的人，请使用!duplicated()：

a <- c(rep("A", 3), rep("B", 3), rep("C",2))
b <- c(1,1,2,4,1,1,2,2)
df <-data.frame(a,b)

duplicated(df)
[1] FALSE  TRUE FALSE FALSE FALSE  TRUE FALSE  TRUE

> df[duplicated(df), ]
  a b
2 A 1
6 B 1
8 C 2

> df[!duplicated(df), ]
  a b
1 A 1
3 A 2
4 B 4
5 B 1
7 C 2

回答：Removing duplicated rows from R data frame

Answer 2

只需将数据框与您需要的列隔离，然后使用唯一函数：D

# in the above example, you only need the first three columns
deduped.data <- unique( yourdata[ , 1:3 ] )
# the fourth column no longer 'distinguishes' them, 
# so they're duplicates and thrown out.

Answer 3

dplyr包中的函数distinct()执行任意重复删除，允许指定重复变量（如本问题所示）或考虑所有变量。

数据：

dat <- data.frame(a = rep(c(1,2),4), b = rep(LETTERS[1:4],2))

删除指定列重复的行：

library(dplyr) dat %>% distinct(a, .keep_all = TRUE) a b 1 1 A 2 2 B

删除与其他行完全重复的行：

dat %>% distinct a b 1 1 A 2 2 B 3 1 C 4 2 D

Answer 4

data.table软件包还拥有unique和duplicated方法，并附带一些其他功能。

unique.data.table和duplicated.data.table方法都有一个额外的by参数，可让您传递character或integer列名称向量或其地点分别

library(data.table)
DT <- data.table(id = c(1,1,1,2,2,2),
                 val = c(10,20,30,10,20,30))

unique(DT, by = "id")
#    id val
# 1:  1  10
# 2:  2  10

duplicated(DT, by = "id")
# [1] FALSE  TRUE  TRUE FALSE  TRUE  TRUE

这些方法的另一个重要特征是大型数据集的巨大性能提升

library(microbenchmark)
library(data.table)
set.seed(123)
DF <- as.data.frame(matrix(sample(1e8, 1e5, replace = TRUE), ncol = 10))
DT <- copy(DF)
setDT(DT)

microbenchmark(unique(DF), unique(DT))
# Unit: microseconds
#       expr       min         lq      mean    median        uq       max neval cld
# unique(DF) 44708.230 48981.8445 53062.536 51573.276 52844.591 107032.18   100   b
# unique(DT)   746.855   776.6145  2201.657   864.932   919.489  55986.88   100  a 


microbenchmark(duplicated(DF), duplicated(DT))
# Unit: microseconds
#           expr       min         lq       mean     median        uq        max neval cld
# duplicated(DF) 43786.662 44418.8005 46684.0602 44925.0230 46802.398 109550.170   100   b
# duplicated(DT)   551.982   558.2215   851.0246   639.9795   663.658   5805.243   100  a

Answer 5

使用sqldf：

# Example by Mehdi Nellen
a <- c(rep("A", 3), rep("B", 3), rep("C",2))
b <- c(1,1,2,4,1,1,2,2)
df <-data.frame(a,b)

解决方案：

 library(sqldf)
    sqldf('SELECT DISTINCT * FROM df')

输出：

Answer 6

一般的答案都可以例如：

df <-  data.frame(rbind(c(2,9,6),c(4,6,7),c(4,6,7),c(4,6,7),c(2,9,6))))



new_df <- df[-which(duplicated(df)), ]

输出：

      X1 X2 X3
    1  2  9  6
    2  4  6  7

Answer 7

您还可以使用dplyr的{{1}}函数！它往往比替代选项更有效，尤其是在您有大量观察数据的情况下。

distinct()

Answer 8

或者您可以使用tidyr将第4列和第5列中的数据嵌套到一行中：

library(tidyr)
df %>% nest(V4:V5)

# A tibble: 1 × 4
#                      V1    V2    V3             data
#                  <fctr> <int> <int>           <list>
#1 platform_external_dbus   202    16 <tibble [5 × 2]>

现在删除了第2列和第3列重复项以进行统计分析，但是您已将第4列和第5列数据保存为tibble，并且可以使用unnest()随时返回到原始数据框。

Answer 9

这是一个非常简单，快速的dplyr / tidy解决方案：

删除完全相同的行：

library(dplyr)
iris %>% 
  distinct(.keep_all = TRUE)

删除仅在某些列中相同的行：

iris %>% 
  distinct(Sepal.Length, Sepal.Width, .keep_all = TRUE)

Answer 10

删除数据框的重复行

library(dplyr)
mydata <- mtcars

# Remove duplicate rows of the dataframe
distinct(mydata)

在此数据集中，没有单个重复行，因此它返回的行数与mydata中的行数相同。

基于一个变量删除重复行

library(dplyr)
mydata <- mtcars

# Remove duplicate rows of the dataframe using carb variable
distinct(mydata,carb, .keep_all= TRUE)

.keep_all函数用于将所有其他变量保留在输出数据帧中。

基于多个变量删除重复行

library(dplyr)
mydata <- mtcars

# Remove duplicate rows of the dataframe using cyl and vs variables
distinct(mydata, cyl,vs, .keep_all= TRUE)

.keep_all函数用于将所有其他变量保留在输出数据帧中。

（来自：http://www.datasciencemadesimple.com/remove-duplicate-rows-r-using-dplyr-distinct-function/）

Answer 11

这个问题也可以通过从每个组中选择第一行来解决，其中该组是我们要选择唯一值的列（在共享示例中，它只是第一列）。

使用基数R：

subset(df, ave(V2, V1, FUN = seq_along) == 1)

#                      V1  V2 V3     V4 V5
#1 platform_external_dbus 202 16 google  1

在dplyr

library(dplyr)
df %>% group_by(V1) %>% slice(1L)

或使用data.table

library(data.table)
setDT(df)[, .SD[1L], by = V1]

如果我们需要根据多个列查找唯一的行，只需将上述各列的名称添加到分组部分即可。

数据

df <- structure(list(V1 = structure(c(1L, 1L, 1L, 1L, 1L), 
.Label = "platform_external_dbus", class = "factor"), 
V2 = c(202L, 202L, 202L, 202L, 202L), V3 = c(16L, 16L, 16L, 
16L, 16L), V4 = structure(c(1L, 4L, 3L, 5L, 2L), .Label = c("google", 
"hughsie", "localhost", "space-ghost.verbum", "users.sourceforge"
), class = "factor"), V5 = c(1L, 1L, 1L, 8L, 1L)), class = "data.frame", 
row.names = c(NA, -5L))

删除重复的行

11 个答案:

输出：