查找所有重复项的索引并将它们写入新列答案

【问题标题】：Find all indices of duplicates and write them in new columns查找所有重复项的索引并将它们写入新列
【发布时间】：2017-08-15 01:38:57
【问题描述】：

我有一个 data.frame，它只有一列，一个字符串向量。

这些字符串具有重复值。我想在这个向量中找到重复的字符串，并将它们的位置索引写在一个新列中。

例如，假设我有：

DT<- data.frame(string=A,B,C,D,E,F,A,C,F,Z,A)

我想得到：

string match2 match2 match3 matchx....
A      1       7      11
B      2       NA     NA
C      3       8      NA
D      4       NA     NA
E      5       NA     NA
F      6       9      NA
A      1       7      11
C      3       8      NA
F      6       9      NA
Z      10      NA     NA
A      1       7      11

字符串比本例中的要长，我不知道我需要的最大列数。

最有效的方法是什么？我知道有重复的功能，但我不完全确定如何将它结合到我想要在这里得到的结果。

非常感谢！

【问题讨论】：

标签： r duplicates

【解决方案1】：

这是执行此操作的一种方法。我确信一个数据表会跟随一个班轮。

DT<- data.frame(string=c("A","B","C","D","E","F","A","C","F","Z","A"))

# find matches
rbf <- sapply(DT$string, FUN = function(x, DT) which(DT %in% x), DT = DT$string)

# fill in NAs to have a pretty matrix
out <- sapply(rbf, FUN = function(x, mx) c(x, rep(NA, length.out = mx - length(x))), max(sapply(rbf, length)))

# bind it to the original data
cbind(DT, t(out))

   string  1  2  3
1       A  1  7 11
2       B  2 NA NA
3       C  3  8 NA
4       D  4 NA NA
5       E  5 NA NA
6       F  6  9 NA
7       A  1  7 11
8       C  3  8 NA
9       F  6  9 NA
10      Z 10 NA NA
11      A  1  7 11

【讨论】：

【解决方案2】：

这是data.table 的一个选项。按'string'分组后，得到序列（seq_len(.N)）和行索引（.I），然后dcast为'wide'格式并与原始数据集on'string'连接

library(data.table)
dcast(setDT(DT)[, .(seq_len(.N),.I), string],string ~ paste0("match", V1))[DT, on = "string"]
#     string match1 match2 match3
# 1:      A      1      7     11
# 2:      B      2     NA     NA
# 3:      C      3      8     NA
# 4:      D      4     NA     NA
# 5:      E      5     NA     NA
# 6:      F      6      9     NA
# 7:      A      1      7     11
# 8:      C      3      8     NA
# 9:      F      6      9     NA
#10:      Z     10     NA     NA
#11:      A      1      7     11

或者另一种选择是split 使用“字符串”的行序列，用NA 填充list 元素以获得更短的长度，以及merge 使用原始数据集（使用base R方法）

lst <- split(seq_len(nrow(DT)), DT$string)
merge(DT, do.call(rbind, lapply(lst, `length<-`, max(lengths(lst)))),
               by.x = "string", by.y = "row.names")

数据

DT<- data.frame(string=c("A","B","C","D","E","F","A","C",
              "F","Z","A"), stringsAsFactors=FALSE)

【讨论】：

谢谢大家！！所有答案都很棒，完全解决了我的问题。我把这个作为公认的，因为它是最短的，并且包括列的命名。

【解决方案3】：

这是一个使用tidyverse 工具的工具（不完全是单线；））：

library( tidyverse )

DT %>% group_by( string ) %>%
  do( idx = which(DT$string == unique(.$string)) ) %>% 
  ungroup %>% unnest %>% group_by( string ) %>%
  mutate( m = stringr::str_c( "match", 1:n() ) ) %>%
  spread( m, idx )

【讨论】：