r - tabla - Subconjunto con casos únicos, basado en múltiples columnas

seleccionar datos en r

Question

Me gustaría subconjuntar un marco de datos para incluir solo las filas que tienen combinaciones únicas de tres columnas. Mi situación es similar a la presentada en this pregunta, pero me gustaría conservar las otras columnas en mis datos también. Aquí está mi ejemplo:

> df
v1 v2 v3 v4 v5
1 7 1 A 100 98
2 7 2 A 98 97
3 8 1 C NA 80
4 8 1 C 78 75
5 8 1 C 50 62
6 9 3 C 75 75

El resultado solicitado sería algo como esto, en el que estoy buscando casos únicos basados ​​en v1, v2 y v3 solamente:

> df.new
v1 v2 v3 v4 v5
1 7 1 A 100 98
2 7 2 A 98 97
3 8 1 C NA 80
6 9 3 C 75 75

Si pudiera recuperar las filas no exclusivas también sería genial:

> df.dupes
v1 v2 v3 v4 v5
3 8 1 C NA 80
4 8 1 C 78 75
5 8 1 C 50 62

Vi una pregunta relacionada sobre cómo hacer esto en sql ( here ), pero no puedo obtener esto en R. Estoy seguro de que es simple, pero jugar con unique () y subconjunto () no ha sido fructífero. Gracias por adelantado.

Answer 1

Puede usar la función duplicated() para encontrar las combinaciones únicas:

> df[!duplicated(df[1:3]),]
v1 v2 v3 v4 v5
1 7 1 A 100 98
2 7 2 A 98 97
3 8 1 C NA 80
6 9 3 C 75 75

Para obtener solo los duplicados, puede verificarlo en ambas direcciones:

> df[duplicated(df[1:3]) | duplicated(df[1:3], fromLast=TRUE),]
v1 v2 v3 v4 v5
3 8 1 C NA 80
4 8 1 C 78 75
5 8 1 C 50 62

Answer 2

Puedes usar el paquete plyr :

library(plyr)
ddply(df, c("v1","v2","v3"), head, 1)
# v1 v2 v3 v4 v5
# 1 7 1 A 100 98
# 2 7 2 A 98 97
# 3 8 1 C NA 80
# 4 9 3 C 75 75
ddply(df, c("v1","v2","v3"), function(x) if(nrow(x)>1) x else NULL)
# v1 v2 v3 v4 v5
# 1 8 1 C NA 80
# 2 8 1 C 78 75
# 3 8 1 C 50 62

Answer 3

Sí, pero usar plyr y ddply es muy lento si tienes demasiados datos.

Deberías intentar algo de este tipo:

df[ cbind( which(duplicated(df[1:3])), which(duplicated(df[1:3], fromLast=TRUE))),]

o::

from = which(duplicated(df[1:3])
to = which(duplicated(df[1:3], fromLast=TRUE))
df[cbind(from,to),]

SHD ser más rápido en su mayor parte.

pruébalo y haznos saber

hay algunos errores, pero supongo que puedes arreglarlos mientras tengas la idea.

También intente único y todo eso

Answer 4

Una forma no elegante pero funcional es pegar las entradas de una fila dada y encontrar cuáles son filas únicas (o no únicas), algo así como:

df.vector=apply(df,1,FUN=function(x) {paste(x,collapse="")})
df.table=table(df.vector)

luego obtenga los índices de los duplicados con algo como:

which(df.vector%in%names(which(df.table>1)))

Answer 5

Usando dplyr puedes hacer:

library(dplyr)
# distinct
df %>%
distinct(v1, v2, v3, .keep_all = T)
# non-distinct only
df %>%
group_by(v1, v2, v3) %>%
filter(n() > 1)
# exclude any non-distinct
df %>%
group_by(v1, v2, v3) %>%
filter(n() == 1)