删除矩阵或数据框的重复行

时间:2016-04-29 05:15:24

标签: r

我想检查矩阵或数据框的哪些行是重复的,我们如何才能找到它?

我们要删除重复的行。重复行是通过忽略它们的顺序在第1列和第2列中具有相同值的行。

例如,对于以下矩阵:

Col1   Col2     database 
 A       B       IntAct
 A       B       Bind
 B       A       BioGrid

我想只有一行。

Col1   Col2     database 
 A       B       IntAct

4 个答案:

答案 0 :(得分:5)

以下是使用pmax/pmin

的其他选项
library(data.table)
setDT(df1)[!duplicated(pmin(Col1, Col2), pmax(Col1, Col2))]
#   Col1 Col2 database
#1:    A    B   IntAct

使用更大的数据进行基准测试:

# dummy data
set.seed(123)
df <- data.frame(Col1 = sample(c("A", "B", "C"), 1000, replace = TRUE),
                 Col2 = sample(c("A", "B", "C"), 1000, replace = TRUE),
                 database = sample(c("IntAct", "Bind", "BioGrid"), 1000,
                                   replace = TRUE), stringsAsFactors = FALSE)
# benchmark
microbenchmark::microbenchmark(
  t = df[ !duplicated(t(apply(df[, 1:2], 1, sort))), ] ,
  paste = df[ !duplicated(apply(df[, 1:2], 1,
                                function(i)paste(sort(i), collapse = ","))), ],
  pmin = df[ !duplicated(cbind(pmin(df[, 1], df[, 2]), pmax(df[, 1], df[, 2]))), ],
  times = 1000)

# Unit: milliseconds
#   expr      min        lq      mean    median        uq       max neval cld
#      t 33.49008 36.337253 38.374825 37.420015 39.610627 153.89251  1000   b
#  paste 33.24177 36.102055 38.079015 37.330498 39.465803 151.43734  1000   b
#   pmin  2.59116  2.790864  3.034999  2.910316  3.137389  11.99905  1000  a 

答案 1 :(得分:4)

使用sqldf的一个冗长的替代方案:

第一行
我们创建一个id列来获得第一个发生。

library(sqldf)
df$id <- seq.int(nrow(df))
sqldf("select col1, col2, database, min(id) id
      from (select col1, col2, database, id from df where col1 <= col2
      union all
      select col2 col1, col1 col2, database, id from df where col1 > col2) 
      group by col1, col2")

输出:

  col1 col2 database id
1    A    B   IntAct  1

最后一行(本例中为第三行)
G. Grothendieck提出的更简洁的选择

sqldf("select col1, col2, database 
      from (select col1, col2, database from df where col1 <= col2 
      union all 
      select col2 col1, col1 col2, database from df where col1 > col2) 
      group by col1, col2")

输出:

  col1 col2 database
1    A    B  BioGrid

答案 2 :(得分:3)

d[!(duplicated(d[,1:2]) | rev(duplicated(d[rev(rownames(d)), 1:2]))),]
  Col1 Col2 database
1    A    B   IntAct

duplicated显示与索引较低的行匹配的行。这还不够,但在数据框架上应用它从上到下,从下到上都可以满足您的需求。

答案 3 :(得分:3)

将列与分隔符粘贴在一起,然后使用duplicated:

df[ !duplicated(apply(df[, 1:2], 1, function(i)paste(sort(i), collapse = ","))), ]