Question

假设我有一个像这样的data.table：

表：

V1 V2
 A  B
 C  D
 C  A
 B  A
 D  C

我希望每一行都被视为一组，这意味着B A和A B是相同的。所以在这个过程之后，我想得到：

V1 V2
 A  B
 C  D
 C  A

为了做到这一点，我必须首先逐行对表进行排序，然后使用unique删除重复项。如果我有数百万行，排序过程非常慢。那么有没有一种简单的方法来删除重复项而不进行排序？

Answer 1

对于两列，您可以使用以下技巧：

dt = data.table(a = letters[1:5], b = letters[5:1])
#   a b
#1: a e
#2: b d
#3: c c
#4: d b
#5: e a

dt[dt[, .I[1], by = list(pmin(a, b), pmax(a, b))]$V1]
#   a b
#1: a e
#2: b d
#3: c c

Answer 2

从a dupe借入（可能是不现实的）数据：

library(data.table)
size <- 118000000
key1 <- sample( LETTERS, size, replace=TRUE, prob=runif(length(LETTERS), 0.0, 5.0) )
key2 <- sample( LETTERS, size, replace=TRUE, prob=runif(length(LETTERS), 0.0, 5.0) )
val <- runif(size, 0.0, 5.0)

dt <- data.table(key1, key2, val, stringsAsFactors=FALSE)

如果您的数据如下所示，这是一种快速的方法：

# eddi's answer
system.time(res1 <- dt[dt[, .I[1], by=.(pmin(key1, key2), pmax(key1, key2))]$V1])
#    user  system elapsed 
#  101.79    3.01  107.98 

# optimized for this data
system.time({
  dt2 <- unique(dt, by=c("key1", "key2"))[key1 > key2, c("key1", "key2") := .(key2, key1)]
  res2 <- unique(dt2, by=c("key1", "key2")) 
})
#    user  system elapsed 
#    8.50    1.16    4.93 

fsetequal(copy(res1)[key1 > key2, c("key1", "key2") := .(key2, key1)], res2)
# [1] TRUE

如果这样的数据与协方差有关，那么似乎不太可能，因为您最多应该有一个重复项（即A-B和B-A）。

Answer 3

以下是删除重复行的简单方法。

delRows = NULL # the rows to be removed
for(i in 1:nrow(tab)){
  j = which(tab$V1 == tab$V2[i] & tab$V2 == tab$V1[i])
  j = j [j > i]
  if (length(j) > 0){
    delRows = c(delRows, j)
  }
}
tab = tab[-delRows,]

结果是，前，

> tab
  V1 V2
1  A  B
2  C  D
3  C  A
4  B  A
5  D  C

后，

> tab
  V1 V2
1  A  B
2  C  D
3  C  A

data.table包含两个字符串的set元素列，提取每行未排序的唯一行

3 个答案: