R在不同组中完全删除重复项答案

【问题标题】：R remove duplicates completely across different groupsR在不同组中完全删除重复项
【发布时间】：2018-03-01 17:48:07
【问题描述】：

我有一个如下数据集：

复制数据集的R代码：

mydata <- data.frame(Name =c('Alex','Brenda','Carl','Alex','Daniel',
'Einstein','Frodo','Alex','Brenda','Carl','Einstein','Frodo'),
 Product_Name = c('A','A','A','A','A','A','A','B','B','B','B','B'), 
Use = c(0,0,0,1,1,1,1,0,0,1,1,1))
mydata

这是来自产品使用情况调查的数据集。 Name 包含用户姓名，Product_Name 为产品名称（Product A 或 Product B。在真实数据集中，有2个以上），Use 包含用户是否使用该产品的信息（1 = 是，0 = 否)。

不幸的是，有些人对有关他们是否使用产品的问题选择了“是”和“否”。我想删除这些人，但只删除有问题的 Product_Name。在示例中，用户 Alex 对产品 A 回答是和否：

我想删除此类个人，但我只想删除相关产品。在这里，我只想为产品 A 删除 Alex，为产品 B 保留 Alex。这应该是我希望数据集的样子：

我知道我可以使用 R (https://stat.ethz.ch/R-manual/R-devel/library/base/html/unique.html) 中的唯一包删除重复项，但这仍然会在产品 1 中留下一个 Alex 的情况。我还想限制在每个 Product_Name 中搜索唯一名称（即. 只有产品 A 或产品 B 等等）。任何帮助将不胜感激。

如果问题不是很清楚，请告诉我。提前致谢。

跟进问题

现在假设我们有以下场景：

mydata <- data.frame(Name =c('Alex','Brenda','Carl','Alex','Daniel',
'Einstein','Frodo','Alex','Brenda','Carl','Einstein','Frodo',
'Mary','Mary','Richard','Richard'),
 Product_Name = c('A','A','A','A','A','A','A','B','B','B','B',
 'B','C','C','C','C'), 
Use = c(0,0,0,1,1,1,1,0,0,1,1,1,0,0,1,1))

除了上面的条件，如果一个人有 use =0 和 use = 1 然后他们被删除我还有一个附加条件。如果 Use = 0 并且我们看到同一用户的多个条目，那么我们不会删除观察结果。但是，如果 Use = 1 并且我们看到同一用户的多个实例，则我们将其删除。例如，在下图中，我想保留 Mary 的观察结果并删除 Richard 的观察结果。

我希望得到的最终输出如下所示：

在此图中，请注意我不想删除 Mary，因为这两个实例都使用 =0。但是由于 Richard 的 Use = 1，我想删除他的观察结果。

【问题讨论】：

您应该研究按变量分组。例如，您可以使用 dplyr：group_by(mydata, Name, Product_Name) %>% filter(n() == 1)
mydata[with(mydata, ave(Use, Name, Product_Name)) %in% 0:1, ]

标签： r unique data-cleaning

【解决方案1】：

原始问题

library(dplyr)
mydata %>%
        group_by(Product_Name, Name) %>%
        filter(length(Use) == 1)

后续问题

library(dplyr)
mydata %>%
        group_by(Product_Name, Name) %>%
        filter(length(Use) == 1 | (Use == 0 & n_distinct(Use) == 1))

【讨论】：

我有一个后续问题。假设我想再添加一个条件。假设 Product_Name - B ，我们有两个正在使用的 Alex 条目 = 0。在这种情况下，我想保留这两种情况。但是，如果我们观察到 Use = 1 两次或更多，那么我想删除它。你知道在这种情况下我需要做什么吗？我将编辑我的原始问题，以便更容易理解我的意思。再次感谢@blondeclover
工作就像一个魅力。你太棒了。 @金发三叶草

【解决方案2】：

如果你想依赖base R，你可以使用aggregate 来计算每个(Name - Product_Name)-combination 的出现次数。然后创建一个黑名单，从mydata 中删除该黑名单上的所有(Name - Product_Name)-combinations：

inter     <- aggregate(df, by=list(df$Name, df$Product_Name), FUN="length")
blacklist <- inter[c('Group.1', 'Group.2')][inter$Name > 1, ]
for(i in nrow(blacklist)){
  r  <- blacklist[i, ]
  df <- df[!(df$Name == r[[1]] & df$Product_Name == r[[2]]), ]
}

我必须承认dplyr 的答案要好 10 倍左右

【讨论】：