web-dev-qa-db-ja.com

重複行を削除する

私はCSVファイルをR data.frameに読み込みました。行のいくつかは、列の1つに同じ要素があります。その列で重複している行を削除します。例えば：

platform_external_dbus          202           16                     google        1
platform_external_dbus          202           16         space-ghost.verbum        1
platform_external_dbus          202           16                  localhost        1
platform_external_dbus          202           16          users.sourceforge        8
platform_external_dbus          202           16                    hughsie        1

他の行は最初の列に同じデータを持っているので、私はこれらの行のうちの1つだけを望みます。

rduplicatesr-faq
123
user1897691

データフレームを必要な列に分離してから、独自の関数を使用するだけです。D

# in the above example, you only need the first three columns
deduped.data <- unique( yourdata[ , 1:3 ] )
# the fourth column no longer 'distinguishes' them, 
# so they're duplicates and thrown out.
154
Anthony Damico

重複行を削除するための一般的な回答を探すためにここに来た人は、!duplicated()を使用してください。

a <- c(rep("A", 3), rep("B", 3), rep("C",2))
b <- c(1,1,2,4,1,1,2,2)
df <-data.frame(a,b)

duplicated(df)
[1] FALSE  TRUE FALSE FALSE FALSE  TRUE FALSE  TRUE

> df[duplicated(df), ]
  a b
2 A 1
6 B 1
8 C 2

> df[!duplicated(df), ]
  a b
1 A 1
3 A 2
4 B 4
5 B 1
7 C 2

からの回答： Rデータフレームから重複した行を削除する

164
Mehdi Nellen

dplyr パッケージの関数distinct()は、任意の重複排除を実行し、（この質問のように）重複する変数を指定できるようにするか、すべての変数を考慮します。

データ：

dat <- data.frame(a = rep(c(1,2),4), b = rep(LETTERS[1:4],2))

指定した列が重複している行を削除します。

library(dplyr)
dat %>% distinct(a, .keep_all = TRUE)

  a b
1 1 A
2 2 B

他の行と完全に重複している行を削除します。

dat %>% distinct

  a b
1 1 A
2 2 B
3 1 C
4 2 D
64
Sam Firke

data.tableパッケージには、それ自身のuniqueメソッドとduplicatedメソッドもあり、いくつかの追加機能があります。

unique.data.tableメソッドとduplicated.data.tableメソッドの両方に追加のby引数があり、それぞれ列名またはそれらの位置のcharacterまたはintegerベクトルを渡すことができます。

library(data.table)
DT <- data.table(id = c(1,1,1,2,2,2),
                 val = c(10,20,30,10,20,30))

unique(DT, by = "id")
#    id val
# 1:  1  10
# 2:  2  10

duplicated(DT, by = "id")
# [1] FALSE  TRUE  TRUE FALSE  TRUE  TRUE

これらの方法のもう1つの重要な機能は、大規模データセットのパフォーマンスが大幅に向上することです。

library(microbenchmark)
library(data.table)
set.seed(123)
DF <- as.data.frame(matrix(sample(1e8, 1e5, replace = TRUE), ncol = 10))
DT <- copy(DF)
setDT(DT)

microbenchmark(unique(DF), unique(DT))
# Unit: microseconds
#       expr       min         lq      mean    median        uq       max neval cld
# unique(DF) 44708.230 48981.8445 53062.536 51573.276 52844.591 107032.18   100   b
# unique(DT)   746.855   776.6145  2201.657   864.932   919.489  55986.88   100  a 


microbenchmark(duplicated(DF), duplicated(DT))
# Unit: microseconds
#           expr       min         lq       mean     median        uq        max neval cld
# duplicated(DF) 43786.662 44418.8005 46684.0602 44925.0230 46802.398 109550.170   100   b
# duplicated(DT)   551.982   558.2215   851.0246   639.9795   663.658   5805.243   100  a
25
David Arenburg

一般的な答えは、たとえば次のとおりです。

df <-  data.frame(rbind(c(2,9,6),c(4,6,7),c(4,6,7),c(4,6,7),c(2,9,6))))



new_df <- df[-which(duplicated(df)), ]

出力：

      X1 X2 X3
    1  2  9  6
    2  4  6  7
5
Amit Gupta

sqldfの場合：

# Example by Mehdi Nellen
a <- c(rep("A", 3), rep("B", 3), rep("C",2))
b <- c(1,1,2,4,1,1,2,2)
df <-data.frame(a,b)

溶液：

 library(sqldf)
    sqldf('SELECT DISTINCT * FROM df')

出力：

  a b
1 A 1
2 A 2
3 B 4
4 B 1
5 C 2
5
mpalanco

dplyrのdistinct()関数も使えます。特にたくさんの観測がある場合は、他の方法よりも効率的です。

distinct_data <- dplyr::distinct(yourdata)
5
Samantha Karlaina Rhoads

あるいは、tidyrを使用して、列4と5のデータを単一行にネストすることもできます。

library(tidyr)
df %>% nest(V4:V5)

# A tibble: 1 × 4
#                      V1    V2    V3             data
#                  <fctr> <int> <int>           <list>
#1 platform_external_dbus   202    16 <tibble [5 × 2]>

2列目と3列目の重複は統計分析のために削除されましたが、4列目と5列目のデータはチブル内に保持されており、unnest()を使用していつでも元のデータフレームに戻ることができます。

3
Joe