移除DataFrame重复行保留首行：县域高管面板数据处理需求

我正在处理一份县域高管的DataFrame，计划开展以「县域-年份」为分析单元的面板研究。但部分年份存在多位县域高管任职的情况，需要移除这类重复行，且始终保留首次出现的行。

初始数据 #

df <- data.frame(year= c(2000, 2001, 2001, 2002, 2000, 2001, 2002, 2002, 2002),
                  executive.name= c("Johnson", "Smith", "Peters", "Alleghany", "Roberts", "Clarke", "Tollson", "Brown", "Taschen"),
                  district= c(1001, 1001, 1001, 1001, 1002, 1002, 1002, 1002, 1002))

期望输出 #

df.neat <- data.frame(year= c(2000, 2001, 2002, 2000, 2001, 2002),
                  executive.name= c("Johnson", "Smith", "Alleghany", "Roberts", "Clarke", "Tollson"),
                  district= rep(c(1001, 1002), each=3))

解决方案 #

方法1：Base R实现 #

利用duplicated()函数，基于district和year的组合判断重复行，筛选出非重复的记录（即每组首次出现的行）：

df.neat <- df[!duplicated(df[c("district", "year")]), ]

方法2：dplyr包实现 #

如果习惯tidyverse风格，可通过分组取首行或distinct()函数完成：

library(dplyr)

# 分组后取每组第一行
df.neat <- df %>%
  group_by(district, year) %>%
  slice(1) %>%
  ungroup()

# 或用distinct直接去重，保留首次出现的完整行
df.neat <- df %>%
  distinct(district, year, .keep_all = TRUE)

以上两种方法均能得到符合预期的清理后数据，精准保留每个「县域-年份」组合的第一条记录。

内容的提问来源于stack exchange，提问作者YouLocalRUser