使用dplyr按匹配条件删除数据框中的行

给定如下数据框：

df <- data.frame(col1 = c("a", "a", "m", "m", "m", "m", "n", "q"),
                 col2 = c("a", "b", "m", "x", "y", "z", NA, "p"))

数据预览：

col1 col2
1    a    a
2    a    b
3    m    m
4    m    x
5    m    y
6    m    z
7    n <NA>
8    q    p

需求：仅保留以下两类行：

• col1的值未在col2中出现过的所有行（如示例中n、q对应的行）
• col1的值在col2中出现过，且col1 == col2的行（如示例中aa、mm的行）

注意：实际数据集规模极大，不能通过指定具体值（如'a'、'm'）进行筛选。

期望输出：

col1 col2
1    a    a
2    m    m
3    n   <NA>
4    q    p

方法1：基础R（高效适配大数据集） #

先提取col2中非NA的唯一值集合，再通过逻辑条件完成筛选：

# 获取col2中存在的非NA值集合
col2_vals <- na.omit(unique(df$col2))

# 筛选逻辑：col1不在col2值集合中， 或者col1与col2值相等
df_filtered <- df[!df$col1 %in% col2_vals | df$col1 == df$col2, ]

方法2：dplyr（语法更简洁直观） #

若习惯使用tidyverse工具链，可通过dplyr实现：

library(dplyr)

df_filtered <- df %>%
  # 定义col2的非NA唯一值集合
  mutate(col2_vals = list(na.omit(unique(col2)))) %>%
  # 应用筛选条件
  filter(!col1 %in% unlist(col2_vals) | col1 == col2) %>%
  # 移除临时辅助列
  select(-col2_vals)

两种方案均基于向量级操作，避免了低效循环，适合处理大规模数据集。

内容的提问来源于stack exchange，提问作者Anh