r中的部分重复

时间:2013-09-12 09:04:18

标签: r duplicates dataframe subset duplicate-removal

我正在使用一个大数据框,看起来像这个

             X V1 V2 V3
1 IOJRE.no.m-1 10  2  0
2 IOJRE.no.m-2 10  7  0
3 OHIJR.no.m-4  5  5  1
4 OHIJR.no.m-6  5  6  1
5 OHIJR.no.m-3  3  3  1
6 OHIJR.no.m-1  2  3  1
7 ABCDE.no.m-1  5  6  0
8 ABCDE.no.m-5  1  4  0

> dput(mydata)
structure(list(X = structure(c(3L, 4L, 7L, 8L, 6L, 5L, 1L, 2L
), .Label = c("ABCDE.no.m-1", "ABCDE.no.m-5", "IOJRE.no.m-1", 
"IOJRE.no.m-2", "OHIJR.no.m-1", "OHIJR.no.m-3", "OHIJR.no.m-4", 
"OHIJR.no.m-6"), class = "factor"), V1 = c(10, 10, 5, 5, 3, 2, 
5, 1), V2 = c(2, 7, 5, 6, 3, 3, 6, 4), V3 = c(0, 0, 1, 1, 1, 
1, 0, 0)), .Names = c("X", "V1", "V2", "V3"), row.names = c(NA, 
8L), class = "data.frame")

第一列中许多项目的前5个字母相似。我正在尝试对数据进行子集化,只保留其中一个具有最高V1值的相似项目。 (如果V1值相同,那么保留哪一个并不重要。)

我无法想到一个合适的命令,因为这不是duplicated()。我想过使用aggregate()然后which.max()但是我真的无法为这份工作构建一个合适的命令。 这是我期待的输出。

             X V1 V2 V3
1 IOJRE.no.m-1 10  2  0
2 OHIJR.no.m-4  5  5  1
3 ABCDE.no.m-1  5  6  0


> dput(mydata2)
structure(list(X = structure(c(2L, 3L, 1L), .Label = c("ABCDE.no.m-1", 
"IOJRE.no.m-1", "OHIJR.no.m-4"), class = "factor"), V1 = c(10L, 
5L, 5L), V2 = c(2L, 5L, 6L), V3 = c(0L, 1L, 0L)), .Names = c("X", 
"V1", "V2", "V3"), class = "data.frame", row.names = c(NA, -3L
))

任何人都可以帮我吗?

非常感谢,

2 个答案:

答案 0 :(得分:2)

这是一个data.table方法(可能不是最好的,但它有效并且很快)

library("data.table")
mydata <- data.table(mydata)
mydata[,X:=strtrim(X,5)]
setkey(mydata,X,V1)
mydata[unique(X),mult="last"]

       X V1 V2 V3
1: ABCDE  5  6  0
2: IOJRE 10  7  0
3: OHIJR  5  6  1

答案 1 :(得分:2)

可能不是最快的方法,但它回答了你的问题:)

1)子串你的第一个变量:

substr(x$X,1,5)

2)查找每组子字符串的最大值

y <- lapply(split(x, substr(x$X,1,5)), function(x) {
x[which.max(x$V1),]})

3)从结果中创建新的数据框:

do.call(rbind, y)