Question

我在数据框中有两列，并且我能够使用unique( )删除所有重复的行 - 这是一种享受。

但是现在我想删除的行是值是相同的，无论它们在哪一列。比如......

data1    data2
data3    data2
data2    data1
data2    data3

应简化为

data1    data2
data3    data2

因为第3行和第4行与1和2相同。

有什么想法吗？

Answer 1

首先按列排序（使用apply和sort），然后使用unique：

dat <- read.table(text="
data1    data2
data3    data2
data2    data1
data2    data3")

unique(t(apply(dat, 1, sort)))
     [,1]    [,2]   
[1,] "data1" "data2"
[2,] "data2" "data3"

Answer 2

我创建了一个新列，其中包含您已粘贴在一起的已排序列，然后是unique（）。

# create some dummy data
adf <- data.frame(colA=c('data1', 'data3', 'data2', 'data2'),
       colB=c('data2', 'data2', 'data1', 'data3'), stringsAsFactors=FALSE)

# function to fix up this data...
# can't see a way of avoiding the loop at the moment, but I'm sure somebody will!
fixit <- function(adf) {
  nc <- vector(mode='character', length=nrow(adf))
  for (i in 1:nrow(adf)) {
    nc[i] <- paste(sort(c(adf[i,1], adf[i,2])), collapse='')
  } 
  adf[!duplicated(nc),]
} 
fixit(adf)

在大数据框架上使用循环会很慢，但可以通过使用

来加速

library(compiler)
faster.fixit <- cmpfun(fixit)
faster.fixit(adf)

我知道这有点偏离主题，但有趣的是当我对这个循环函数进行基准测试时，字节编译版本的速度只提高了约5％

# create a bigger test data.frame
N <- 10
adf.bigger <- data.frame(colA=rep(adf$colA, N), colB=rep(adf$colB, N),
               stringsAsFactors=FALSE)

N <- 1000
adf.biggest <- data.frame(colA=rep(adf$colA, N), colB=rep(adf$colB, N),
               stringsAsFactors=FALSE)

library(microbenchmark)
microbenchmark(fixit(adf), faster.fixit(adf), times=1000L)
microbenchmark(fixit(adf.bigger), faster.fixit(adf.bigger), times=1000L)
microbenchmark(fixit(adf.biggest), faster.fixit(adf.biggest), times=100L)

删除不同列中重复值的行

2 个答案: