删除特定列中行内的重复元素答案

【问题标题】：Remove duplicate element within a row in a specific column删除特定列中行内的重复元素
【发布时间】：2021-10-01 15:14:06
【问题描述】：

我有一个数据框，例如 ;

COL1  COL2
A,A,A 2
B     1
C,C   4
D,D,D 1
A     4
F     2
C,C   1

我想先删除COL1 中的重复项并得到：

然后将相同的COL1 字母与COL2 值相加，得到：

COL1  COL2
A     6
B     1
C     5
D     1
F     2

请问有人有想法吗？如果有帮助，这里是数据框：

structure(list(COL1 = structure(c(2L, 3L, 4L, 5L, 1L, 6L, 4L), .Label = c("A", 
"A,A,A", "B", "C,C", "D,D,D", "F"), class = "factor"), COL2 = c(2, 
1, 4, 1, 4, 2, 1)), class = "data.frame", row.names = c(NA, -7L
))

【问题讨论】：

标签： r regex dataframe dplyr subset

【解决方案1】：

基本 R 选项

aggregate(
  COL2 ~ .,
  transform(
    df,
    COL1 = gsub(",.*", "", COL1)
  ),
  sum
)

给予

  COL1 COL2
1    A    6
2    B    1
3    C    5
4    D    1
5    F    2

【讨论】：

【解决方案2】：

trimws 的选项

library(dplyr)
df1 %>%
     group_by(COL1 = trimws(COL1, whitespace = ",.*")) %>% 
     summarise(COL2 = sum(COL2), .groups = 'drop')
# A tibble: 5 x 2
  COL1   COL2
  <chr> <dbl>
1 A         6
2 B         1
3 C         5
4 D         1
5 F         2

【讨论】：

【解决方案3】：

您可以使用separate_rows 将逗号上的数据拆分为不同的行，只保留唯一值并聚合。

library(dplyr)
library(tidyr)

df %>%
  mutate(row = row_number()) %>%
  separate_rows(COL1, sep = ',\\s*') %>%
  distinct(row, COL1, .keep_all = TRUE) %>%
  group_by(COL1) %>%
  summarise(COL2 = sum(COL2, na.rm = TRUE))

#  COL1   COL2
#  <chr> <dbl>
#1 A         6
#2 B         1
#3 C         5
#4 D         1
#5 F         2

【讨论】：

【解决方案4】：

一个选项可能是：

df %>%
 group_by(COL1 = gsub(",.*$", "", COL1)) %>%
 summarise(COL2 = sum(COL2))

  COL1   COL2
  <chr> <dbl>
1 A         6
2 B         1
3 C         5
4 D         1
5 F         2

如果每行可能存在多个非重复元素：

df %>%
 group_by(COL1 = sapply(strsplit(as.character(COL1), ",", fixed = TRUE), function(x) toString(unique(x)))) %>%
 summarise(COL2 = sum(COL2))

【讨论】：

【解决方案5】：

我们可以使用substring

library(dplyr)
df %>% 
    mutate(COL1 = substring(COL1, 1,1)) %>% 
    group_by(COL1) %>% 
    summarise(COL2 = sum(COL2))

输出：

  COL1   COL2
  <chr> <dbl>
1 A         6
2 B         1
3 C         5
4 D         1
5 F         2

【讨论】：

【解决方案6】：

你可以str_extract基于[:alpha:]{1}，这将extract序列中的第一个字母，然后继续group_by和summarise

data %>% 
        mutate(COL1 = str_extract(COL1,pattern = "[:alpha:]{1}")) %>% 
        group_by(COL1) %>% 
        summarise(COL2 = sum(COL2, na.rm = TRUE))

它给出以下输出，

# A tibble: 5 x 2
  COL1   COL2
  <chr> <dbl>
1 A         6
2 B         1
3 C         5
4 D         1
5 F         2

【讨论】：

【解决方案7】：

您也可以使用splitstackshape 中的cSplit

df %>% cSplit("COL1", ",", "long") %>%
  unique() %>% group_by(COL1) %>% summarise(COL2 = sum(COL2))

  COL1   COL2
  <chr> <dbl>
1 A         6
2 B         1
3 C         5
4 D         1
5 F         2

【讨论】：

【解决方案8】：

通过在BaseR 中使用aggregate 函数，

setNames(
    aggregate(df[,2] ,list(sub(",.*","",df[,1])),sum)
    , c("COL1","COL2"))

给予，

  COL1 COL2
1    A    6
2    B    1
3    C    5
4    D    1
5    F    2

【讨论】：

【解决方案9】：

基础 R 解决方案：

with(
  df, 
  aggregate(
    list(COL2 = COL2), 
    by = list(COL1 = gsub(
      "^(\\w).*", 
      "\\1", 
      COL1
      )
    ), 
    FUN = sum
  )
)

【讨论】：