如何使用R语言{collapse}包实现dplyr::distinct()或base::unique.data.frame()的功能？

嘿，我懂你现在的困惑——刚接触{collapse}包，想找替代dplyr::distinct()或base::unique.data.frame()的方法来获取数据框多列的唯一组合，结果用collap()得到的行数和预期不一致对吧？其实问题出在collap()的定位上，它主要是用来做聚合运算的（比如按分组计算均值、求和这类操作），不是用来去重的，所以你之前的用法才会出错。

下面给你介绍{collapse}包里专门用来做去重、获取唯一组合的两个函数，完美匹配你的需求：

1. 使用fdistinct()（对应dplyr::distinct()） #

fdistinct()就是{collapse}为替代dplyr::distinct()设计的函数，用法几乎一致，非常容易上手：

library(babynames)
library(dplyr, warn.conflicts = FALSE)
library(collapse, warn.conflicts = FALSE)

# 用fdistinct获取sex和name的唯一组合
via_collapse <- babynames %>% fdistinct(sex, name)

# 验证行数
nrow(via_collapse)
#> [1] 107973

和你用distinct()得到的结果完全一致！如果需要保留其他列的话，只需要加上.keep_all = TRUE参数，就像dplyr::distinct()那样。

2. 使用funique()（对应base::unique.data.frame()） #

如果你更习惯base R的unique()逻辑，{collapse}里的funique()就是对应的高效版本，有两种用法：

# 方式1：直接指定要去重的列名
via_collapse2 <- babynames %>% funique(c("sex", "name"))

# 方式2：先选择目标列，再去重
via_collapse3 <- babynames %>% select(sex, name) %>% funique()

# 验证行数，结果同样是107973
nrow(via_collapse2)
nrow(via_collapse3)

这两个函数的优势在于{collapse}包本身的性能优化，处理大数据框时，速度会比dplyr::distinct()或base::unique()快很多，非常适合大规模数据的去重操作。

内容的提问来源于stack exchange，提问作者Emman