有没有更优雅的方法来查找重复记录？

Question

我的测试框架中有 81,000 条记录，duplicated 显示 2039 是相同的匹配项。对Find duplicated rows (based on 2 columns) in Data Frame in R 的一个回答提出了一种创建仅包含重复记录的较小框架的方法。这也适用于我：

dup <- data.frame(as.numeric(duplicated(df$var))) #creates df with binary var for duplicated rows
colnames(dup) <- c("dup") #renames column for simplicity
df2 <- cbind(df, dup) #bind to original df
df3 <- subset(df2, dup == 1) #subsets df using binary var for duplicated`

但正如海报所指出的那样，它似乎不优雅。有没有更简洁的方法来获得相同的结果：只查看那些重复的记录？

在我的情况下，我正在处理抓取的数据，我需要弄清楚原始数据中是否存在重复项，或者是由我抓取的数据引入的。

Answer 1

duplicated(df) 将为您提供一个逻辑向量（所有值均由 T/F 组成），然后您可以将其用作数据框 rows 的索引。

# indx will contain TRUE values wherever in df$var there is a duplicate
indx <- duplicated(df$var)
df[indx, ]  #note the comma 

---

你可以把它们放在一行中

df[duplicated(df$var), ]  # again, the comma, to indicate we are selected rows

Answer 2

doops <- which(duplicated(df$var)==TRUE)
uniques <- df[-doops,]
duplicates <- df[doops,]

这是我在尝试从数据框中删除重复条目时通常使用的逻辑。