#r #dplyr #duplicates #data-wrangling
#r #dplyr #дубликаты #перебор данных
Вопрос:
Я сгенерировал ‘с повторениями’ df со строками, которые имеют по крайней мере один дубликат в другом df (с переменными DROPS как количество повторений на уникальный FID ID).
FID ID CID CT DROPS DATE
123 CV 1 2 3 11-3-2020
123 CV 2 2 2 11-3-2020
123 CV 3 1 1 11-3-2020
456 LO 1 1 2 10-4-2020
456 LO 2 1 1 10-5-2020
678 IP 1 2 3 11-1-2020
678 IP 1 1 2 11-2-2020
678 IP 2 2 1 10-29-2020
111 AK 1 2 2 11-2-2020
111 AK 2 2 1 11-1-2020
222 PL 4 2 2 11-1-2020
222 PL 3 2 2 11-1-2020
Я хочу извлечь только одно из удалений для каждого уникального идентификатора и FID, сохраняя последнюю ДАТУ. Для строк с CT == 1 я хочу сохранить только эту строку и сохранить последнюю дату. Для тех строк, в которых есть только значения CT== 2, также сохраняйте последнюю дату. Это строка кода, которую я использую:
keepers <- withrepeats %>% group_by %>% (ID, FID) %>% filter(DATE == max(DATE))
Однако строки с той же датой сохраняются. В этом случае я хотел бы сохранить самый высокий CID или, если есть строка, где CT == 1, сохранить эту строку.
Желаемый результат:
FID ID CID CT DROPS DATE
123 CV 3 1 1 11-3-2020
456 LO 2 1 1 10-5-2020
678 IP 1 1 2 11-2-2020
111 AK 1 2 2 11-2-2020
222 PL 4 2 2 11-1-2020
Как бы вы поступили по этому поводу? Любая помощь будет принята с благодарностью!
Комментарии:
1. Правильный ли ожидаемый результат
2. Я обновил df и вывод. спасибо за ваше терпение.
Ответ №1:
Мы можем преобразовать ‘DATE’ в Date
class, затем сгруппировать по ‘FID’ и slice
строке со max
значением в ‘DATE’
library(dplyr)
library(lubridate)
withrepeats %>%
mutate(DATE = mdy(DATE)) %>%
arrange(FID, desc(CID)) %>%
group_by(FID) %>%
mutate(mxDate = if(any(CT == 1)) DATE[which.max(DATE)] else
DATE[which.max(DATE)]) %>%
filter(DATE == mxDate amp; !duplicated(DATE)) %>%
ungroup %>%
slice(c(2, 4, 5, 1, 3)) %>%
select(-mxDate)
-вывод
# A tibble: 5 x 6
# FID ID CID CT DROPS DATE
# <int> <chr> <int> <int> <int> <date>
#1 123 CV 3 1 1 2020-11-03
#2 456 LO 2 1 1 2020-10-05
#3 678 IP 1 1 2 2020-11-02
#4 111 AK 1 2 2 2020-11-02
#5 222 PL 4 2 2 2020-11-01
данные
withrepeats <- structure(list(FID = c(123L, 123L, 123L, 456L, 456L, 678L, 678L,
678L, 111L, 111L, 222L, 222L), ID = c("CV", "CV", "CV", "LO",
"LO", "IP", "IP", "IP", "AK", "AK", "PL", "PL"), CID = c(1L,
2L, 3L, 1L, 2L, 1L, 1L, 2L, 1L, 2L, 4L, 3L), CT = c(2L, 2L, 1L,
1L, 1L, 2L, 1L, 2L, 2L, 2L, 2L, 2L), DROPS = c(3L, 2L, 1L, 2L,
1L, 3L, 2L, 1L, 2L, 1L, 2L, 2L), DATE = c("11-3-2020", "11-3-2020",
"11-3-2020", "10-4-2020", "10-5-2020", "11-1-2020", "11-2-2020",
"10-29-2020", "11-2-2020", "11-1-2020", "11-1-2020", "11-1-2020"
)), class = "data.frame", row.names = c(NA, -12L))
Комментарии:
1. Спасибо! Есть несколько строк PID ID, где нет CT == 1, только 2. Я не хочу полностью их отфильтровывать, но по-прежнему сохраняю для них последнюю дату. Я обновлю свой набор данных. Еще раз спасибо
2. @akrum спасибо. как мне сохранить самый высокий CID или CASE_ID для тех, у которых одинаковые даты?
Ответ №2:
Сначала преобразуйте DATE
объекты фактической даты, arrange
данные по FID
ID
и CT
значения и выберите максимальное DATE
значение для каждой группы.
library(dplyr)
withrepeats %>%
mutate(DATE = as.Date(DATE, '%m-%d-%Y')) %>%
arrange(FID, ID, CT) %>%
group_by(FID, ID) %>%
slice(which.max(DATE))
# FID ID CID CT DROPS DATE
# <int> <chr> <int> <int> <int> <date>
#1 111 AK 1 2 2 2020-11-02
#2 123 CV 3 1 1 2020-11-03
#3 222 PL 4 2 2 2020-11-01
#4 456 LO 2 1 1 2020-10-05
#5 678 IP 1 1 2 2020-11-02