我有一个数据框，我想删除除一列之外的所有列中重复的行，并选择保留那些不是特定值的行。
在上面的示例中，除 col3 之外的所有列的第 3 行和第 4 行都是重复的，所以我只想保留一行。复杂的步骤是我想保留第 4 行而不是第 3 行，因为 col3 中的第 3 行被“排除”。一般来说，我只想保留没有“排除”的行（重复的）。
我的真实数据框有很多重复的行，在这 2 行重复的行中，其中之一肯定是“排除”的。
以下是可重现的前：
a <- c(1,2,3,3,7)
b <- c(4,5,6,6,8)
c <- c("red","green","excluded","orange","excluded")
d <- data.frame(a,b,c)
非常感谢！
更新：或者，删除重复项时，仅保留第二个观察值（第 4 行）。
【问题讨论】：
带有一些基础 R 的 dplyr 应该可以解决这个问题：
library(dplyr)
a <- c(1,2,3,3,3,7)
b <- c(4,5,6,6,6,8)
c <- c("red","green","brown","excluded","orange","excluded")
d <- data.frame(a,b,c)
d <- filter(d, !duplicated(d[,1:2]) | c!="excluded")
Result:
a b c
1 1 4 red
2 2 5 green
3 3 6 brown
4 3 6 orange
5 7 8 excluded
过滤器将删除任何应排除且不重复的内容。我也向您的示例（'brown'）添加了一个非唯一排除示例以进行测试。
【讨论】：
这是一个带有循环的示例：
a <- c(1,2,3,3,7)
b <- c(4,5,6,6,8)
c <- c("red","green","excluded","orange","excluded")
d<- data.frame(a,b,c)
# Give row indices of duplicated rows (only the second and more occurence are given)
duplicated_rows=which(duplicated(d[c("a","b")]))
to_remove=c()
# Loop over different duplicated rows
for(i in duplicated_rows){
# Find simmilar rows
selection=which(d$a==d$a[i] & d$b==d$b[i])
# Sotre indices of raw in the set of duplicated row whihc are "excluded"
to_remove=c(to_remove,selection[which(d$c[selection]=="excluded")])
}
# Remove rows
d=d[-to_remove,]
print(d)
> a b c
> 1 4 red
> 2 2 5 green
> 4 3 6 orange
> 5 7 8 excluded
【讨论】：
这是一种可能性......我希望它可以帮助:)
nquit <- (d %>%
mutate(code= 1:nrow(d)) %>%
group_by(a, b) %>%
mutate(nDuplicate= n()) %>%
filter(nDuplicate > 1) %>%
filter(c == "excluded"))$code
e <- d[-nquit]
【讨论】：
通过@Klone 缩短方法，另一种 dplyr 解决方案：
d %>% mutate(c = factor(c, ordered = TRUE,
levels = c("red", "green", "orange", "excluded"))) %>% # Order the factor variable
arrange(c) %>% # Sort the data frame so that excluded comes first
group_by(a, b) %>% # Group by the two columns that determine duplicates
mutate(id = 1:n()) %>% # Assign IDs in each group
filter(id == 1) # Only keep one row in each group
结果：
# A tibble: 4 x 4
# Groups: a, b [4]
a b c id
<dbl> <dbl> <ord> <int>
1 1 4 red 1
2 2 5 green 1
3 3 6 orange 1
4 7 8 excluded 1
【讨论】：
关于您在问题末尾的编辑：
更新：或者，删除重复项时，仅保留第二个观察值（第 4 行）。
注意，如果col3 对行的排序确定要保留的行始终是重复记录中的最后一行，您可以简单地在@ 中设置fromLast=TRUE 987654323@ 函数请求应将行标记为重复从找到的最后一个重复计数开始每个重复组。
使用稍微修改过的数据版本（我添加了更多重复的组以更好地表明该过程在更一般的情况下有效）：
a <- c(1,1,2,3,3,3,7)
b <- c(4,4,5,6,6,6,8)
c <- c("excluded", "red","green","excluded", "excluded","orange","excluded")
d <- data.frame(a,b,c)
a b c
1 1 4 excluded
2 1 4 red
3 2 5 green
4 3 6 excluded
5 3 6 excluded
6 3 6 orange
7 7 8 excluded
使用：
ind2remove = duplicated(d[,c("a", "b")], fromLast=TRUE)
(d_noduplicates = d[!ind2remove,])
我们得到：
a b c
2 1 4 red
3 2 5 green
6 3 6 orange
7 7 8 excluded
请注意，这并不要求每个重复组中的行都在原始数据中。唯一重要的是您希望保持记录在每个重复组的数据中最后显示。
【讨论】：