Usuń zduplikowane wiersze za pomocą dplyr

Mam taką ramkę danych -

set.seed(123)
df = data.frame(x=sample(0:1,10,replace=T),y=sample(0:1,10,replace=T),z=1:10)
> df
   x y  z
1  0 1  1
2  1 0  2
3  0 1  3
4  1 1  4
5  1 0  5
6  0 1  6
7  1 0  7
8  1 0  8
9  1 0  9
10 0 1 10

Chciałbym usunąć zduplikowane wiersze na podstawie pierwszych dwóch kolumn. Oczekiwany wynik -

df[!duplicated(df[,1:2]),]
  x y z
1 0 1 1
2 1 0 2
4 1 1 4

Szukam konkretnie rozwiązania wykorzystującego dplyrpakiet.

Uwaga : dplyrteraz zawiera distinctfunkcję do tego celu.

Oryginalna odpowiedź poniżej:

library(dplyr)
set.seed(123)
df <- data.frame(
  x = sample(0:1, 10, replace = T),
  y = sample(0:1, 10, replace = T),
  z = 1:10
)

Jednym podejściem byłoby zgrupowanie, a następnie zachowanie tylko pierwszego wiersza:

df %>% group_by(x, y) %>% filter(row_number(z) == 1)

## Source: local data frame [3 x 3]
## Groups: x, y
## 
##   x y z
## 1 0 1 1
## 2 1 0 2
## 3 1 1 4

(W dplyr 0.2 nie będziesz potrzebować zzmiennej zastępczej i będziesz mógł po prostu pisać row_number() == 1)

Myślałem też o dodaniu slice()funkcji, która działałaby jak:

df %>% group_by(x, y) %>% slice(from = 1, to = 1)

A może odmiana unique()tego pozwoliłaby Ci wybrać, których zmiennych użyć:

df %>% unique(x, y)

Oto rozwiązanie wykorzystujące dplyr >= 0.5.

library(dplyr)
set.seed(123)
df <- data.frame(
  x = sample(0:1, 10, replace = T),
  y = sample(0:1, 10, replace = T),
  z = 1:10
)

> df %>% distinct(x, y, .keep_all = TRUE)
    x y z
  1 0 1 1
  2 1 0 2
  3 1 1 4

Ze względu na kompletność działają również następujące zasady:

df %>% group_by(x) %>% filter (! duplicated(y))

Jednak wolę rozwiązanie z użyciem distincti podejrzewam, że jest też szybsze.

W większości przypadków najlepszym rozwiązaniem jest użycie distinct()firmy dplyr, jak już zostało zasugerowane.

Jednak tutaj jest inne podejście, które wykorzystuje slice()funkcję z dplyr.

# Generate fake data for the example
  library(dplyr)
  set.seed(123)
  df <- data.frame(
    x = sample(0:1, 10, replace = T),
    y = sample(0:1, 10, replace = T),
    z = 1:10
  )

# In each group of rows formed by combinations of x and y
# retain only the first row

    df %>%
      group_by(x, y) %>%
      slice(1)

Różnica w porównaniu z używaniem distinct()funkcji

Zaletą tego rozwiązania jest to, że wyraźnie określa, które wiersze są zachowywane z oryginalnej ramki danych, i można je ładnie łączyć z arrange()funkcją.

Załóżmy, że masz dane dotyczące sprzedaży klientów i chcesz zachować jeden rekord dla każdego klienta i chcesz, aby był to rekord z ostatniego zakupu. Wtedy możesz napisać:

customer_purchase_data %>%
   arrange(desc(Purchase_Date)) %>%
   group_by(Customer_ID) %>%
   slice(1)

Wybierając kolumny w R dla zredukowanego zestawu danych, często możesz skończyć z duplikatami.

Te dwie linie dają ten sam wynik. Każdy generuje unikalny zestaw danych z tylko dwiema wybranymi kolumnami:

distinct(mtcars, cyl, hp);

summarise(group_by(mtcars, cyl, hp));

Jeśli chcesz znaleźć zduplikowane wiersze, możesz użyć find_duplicatesz hablar:

library(dplyr)
library(hablar)

df <- tibble(a = c(1, 2, 2, 4),
             b = c(5, 2, 2, 8))

df %>% find_duplicates()