如何用R生成去除分组重复值的所有数据集组合？

需求说明 #

基于给定的分组数据集，生成所有满足duplicate1仅出现一次的去重组合数据集列表，每个列表元素对应一种去重选择组合。

测试数据 #

groups <- c("A", "A", "A", "B", "B", "B", "C", "C", "C")
value <- c(1, 2, "duplicate1", "duplicate1", 4, "duplicate2", "duplicate2", 5, 6)
id <- 1:9
dat <- data.frame(
  id = id,
  groups = groups,
  value = value
)

解决方案代码 #

# 1. 识别重复值及对应行
dup_values <- unique(dat$value[duplicated(dat$value)])

# 2. 为每个重复值生成可选保留行的列表
dup_options <- lapply(dup_values, function(v) {
  target_rows <- which(dat$value == v)
  # 对duplicate1强制仅保留单个行，确保最终数据中仅出现一次
  lapply(target_rows, function(r) r)
})
names(dup_options) <- dup_values

# 3. 生成所有去重选择的笛卡尔积组合
combinations <- expand.grid(dup_options, stringsAsFactors = FALSE)

# 4. 基于每个组合生成对应的数据集
result_list <- lapply(1:nrow(combinations), function(i) {
  # 获取当前组合需保留的重复行
  keep_dup <- unlist(combinations[i, ])
  # 获取所有非重复行
  keep_non_dup <- which(!dat$value %in% dup_values)
  # 合并并排序行号，生成最终数据集
  final_rows <- sort(c(keep_non_dup, keep_dup))
  output <- dat[final_rows, ]
  rownames(output) <- NULL
  output
})

# 为列表元素命名，便于区分不同组合
names(result_list) <- apply(combinations, 1, function(x) {
  paste0("comb_", paste(names(x), x, sep = "_", collapse = "_"))
})

结果说明 #

最终的result_list包含4个数据集，对应所有满足要求的去重组合：

• comb_duplicate1_3_duplicate2_6：保留A组的duplicate1（id=3）和B组的duplicate2（id=6）
• comb_duplicate1_4_duplicate2_6：保留B组的duplicate1（id=4）和B组的duplicate2（id=6）
• comb_duplicate1_3_duplicate2_7：保留A组的duplicate1（id=3）和C组的duplicate2（id=7）
• comb_duplicate1_4_duplicate2_7：保留B组的duplicate1（id=4）和C组的duplicate2（id=7）

每个数据集均保证duplicate1仅出现一次，同时覆盖了duplicate2的所有去重选择可能。

内容的提问来源于stack exchange，提问作者madmad123