Question

我有一个data.table表，大约有250万行。有两列。我想删除两列中重复的任何行。以前对于data.frame，我会这样做： df -> unique(df[,c('V1', 'V2')])但这不适用于data.table。我试过unique(df[,c(V1,V2), with=FALSE])但它似乎仍然只对data.table的键进行操作而不是整行。

有什么建议吗？

干杯，戴维

实施例

>dt
      V1   V2
[1,]  A    B
[2,]  A    C
[3,]  A    D
[4,]  A    B
[5,]  B    A
[6,]  C    D
[7,]  C    D
[8,]  E    F
[9,]  G    G
[10,] A    B

在上面的data.table中V2是表键，只删除行4,7和10。

> dput(dt)
structure(list(V1 = c("B", "A", "A", "A", "A", "A", "C", "C", 
"E", "G"), V2 = c("A", "B", "B", "B", "C", "D", "D", "D", "F", 
"G")), .Names = c("V1", "V2"), row.names = c(NA, -10L), class = c("data.table", 
"data.frame"), .internal.selfref = <pointer: 0x7fb4c4804578>, sorted = "V2")

Answer 1

之前的v1.9.8

从?unique.data.table开始，很明显，在数据表上调用unique仅适用于密钥。这意味着您必须在调用unique之前将密钥重置为所有列。

library(data.table)
dt <- data.table(
  V1=LETTERS[c(1,1,1,1,2,3,3,5,7,1)],
  V2=LETTERS[c(2,3,4,2,1,4,4,6,7,2)]
)

使用一列作为键调用unique：

setkey(dt, "V2")
unique(dt)
     V1 V2
[1,]  B  A
[2,]  A  B
[3,]  A  C
[4,]  A  D
[5,]  E  F
[6,]  G  G

适用于v1.9.8 +

来自?unique.data.table 默认情况下，正在使用所有列（与?unique.data.frame一致）

unique(dt)
   V1 V2
1:  A  B
2:  A  C
3:  A  D
4:  B  A
5:  C  D
6:  E  F
7:  G  G

或使用by参数获取特定列的唯一组合（如之前使用的键一样）

unique(dt, by = "V2")
   V1 V2
1:  A  B
2:  A  C
3:  A  D
4:  B  A
5:  E  F
6:  G  G

Answer 2

使用您的示例data.table ...

> dt<-data.table(V1 = c("B", "A", "A", "A", "A", "A", "C", "C", "E", "G"), V2 = c("A", "B", "B", "B", "C", "D", "D", "D", "F", "G"))
> setkey(dt,V2)

考虑以下测试：

> haskey(dt) # obviously dt has a key, since we just set it
[1] TRUE

> haskey(dt[,list(V1,V2)]) # ... but this is treated like a "new" table, and does not have a key
[1] FALSE

> haskey(dt[,.SD]) # note that this still has a key
[1] TRUE

因此，您可以列出表格的列，然后获取表格的unique()，而无需将密钥设置为所有列或将其删除（通过将其设置为NULL）as来自@Andrie的解决方案所需（并由@MatthewDowle编辑）。 @Pop和@Rahul建议的解决方案对我不起作用。

请参阅下面的尝试3，这与您最初的尝试非常相似。你的例子不清楚所以我不确定它为什么不起作用。也就是几个月前你发布了这个问题，所以也许data.table被更新了？

> unique(dt) # Try 1: wrong answer (missing V1=C and V2=D)
   V1 V2
1:  B  A
2:  A  B
3:  A  C
4:  A  D
5:  E  F
6:  G  G

> dt[!duplicated(dt)] # Try 2: wrong answer (missing V1=C and V2=D)
   V1 V2
1:  B  A
2:  A  B
3:  A  C
4:  A  D
5:  E  F
6:  G  G

> unique(dt[,list(V1,V2)]) # Try 3: correct answer; does not require modifying key
   V1 V2
1:  B  A
2:  A  B
3:  A  C
4:  A  D
5:  C  D
6:  E  F
7:  G  G

> setkey(dt,NULL)
> unique(dt) # Try 4: correct answer; requires key to be removed
   V1 V2
1:  B  A
2:  A  B
3:  A  C
4:  A  D
5:  C  D
6:  E  F
7:  G  G

Answer 3

unique(df)适用于您的示例。

Answer 4

这应该为您工作

dt <- unique(dt, by = c('V1, 'V2'))

Answer 5

可以使用data.table记法：

unique(df[, .(V1, V2, V3), nomatch=0 ])

如此处https://stackoverflow.com/a/31875208/10087503

我没有比较这个版本与Magma版本的速度。

过滤data.table中的重复/非唯一行

5 个答案: