根据匹配列删除df中的重复行

Question

我df有一个link列(类型列表),指定记录是否匹配df(即,如果它有重复).

df <- data.frame(id=1:7,link=I(list(c(2,3),c(1,3),c(1,2),NA,NA,7,6)))

  id link
1  1 2, 3
2  2 1, 3
3  3 1, 2
4  4   NA
5  5   NA
6  6    7
7  7    6

我想要子集df以仅保留具有链接记录的那些行的第一个匹配行(即,关于按ID的顺序).我想要:

  id link
1  1 2, 3
2  4   NA
3  5   NA
4  6    7

我已经尝试了一个循环来存储id要从df中删除的行的值to_remove.它现在不太有效,我觉得我正在过度思考这个问题.

to_remove <- character(0)
for (n in 1:nrow(df)) {
  links <- df$link[[n]]
  if (all(is.na(links))) next # skip if no links available
  add <- ifelse(links %in% to_remove, NA,links)
  add <- add[!is.na(add)]
  if (length(add > 0)) to_remove <- c(to_remove,add)
}

我能以更简单的方式做到这一点并避免循环吗？

Answer 1

使用:

library(data.table)
DT <- data.table(id = rep(df$id, lengths(df$link)), link = unlist(df$link))
DT[DT[, .I[!any(id > link) | is.na(link)], by = id]$V1][, .(link = toString(link)), by = id]

得到:

   id link
1:  1 2, 3
2:  4   NA
3:  5   NA
4:  6    7

说明:

• 首先通过取消列表单元格中的列表来df$link创建新的data.frame/data.table ,然后创建一个新的data.frame/data.table.
• 然后创建满足包含条件的索引并选择此子集.
• 最后,将链接列中的值转换回每个id的列表.

或使用dplyr/ tidyr组合:

library(dplyr)
library(tidyr)
df %>% 
  unnest(link) %>% 
  group_by(id) %>% 
  filter(!any(id > link) | is.na(link)) %>% 
  summarise(link = toString(link))

这给出了类似的结果:

# A tibble: 4 × 2
     id  link
  <int> <chr>
1     1  2, 3
2     4    NA
3     5    NA
4     6     7

或者使用基数R:

dfn <- data.frame(id = rep(df$id, lengths(df$link)), link = unlist(df$link))
dfn <- dfn[!dfn$id %in% unique(dfn$id[which(dfn$id > dfn$link)]),]
aggregate(link ~ id, dfn, toString, na.action = na.pass)