repetidas - Eliminar filas duplicadas utilizando dplyr

eliminar na en r

Question

Tengo un data.frame como este -

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

Me gustaría eliminar las filas duplicadas en función de las dos primeras columnas. Rendimiento esperado -

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

Estoy buscando específicamente una solución usando el paquete dplyr .

Answer 1

Aquí hay una solución usando dplyr 0.3 .

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)
x y z
1 0 1 1
2 1 0 2
3 1 1 4

Actualizado para dplyr 0.5

dplyr versión 0.5 El comportamiento predeterminado de distinct() devuelve solo columnas especificadas en ... argumento.

Para lograr el resultado original, ahora debe usar:

df %>% distinct(x, y, .keep_all = TRUE)

Answer 2

Cuando selecciona columnas en R para un conjunto de datos reducido, a menudo puede terminar con duplicados.

Estas dos líneas dan el mismo resultado. Cada salida es un conjunto de datos único con dos columnas seleccionadas solamente:

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

Answer 3

Para mayor completitud, lo siguiente también funciona:

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

Sin embargo, prefiero que la solución sea distinct , y sospecho que también es más rápida.

Answer 4

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
)

Un enfoque sería agrupar, y luego solo mantener grupos con una sola fila:

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

(En dplyr 0.2 no necesitará la variable ficticia z y solo podrá escribir row_number() == 1 )

También he estado pensando en agregar una función slice() que funcionaría así:

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

O tal vez una variación de unique() que le permita seleccionar qué variables usar:

df %>% unique(x, y)