如何为去重后的DataFrame重新关联原始分组列？

问题场景 #

我有两个大型数据集：一个是移除分组列并去重后的数据集，另一个是原始数据集。完成数据处理/机器学习操作后，需要将原始数据集中的分组列重新关联到去重后的数据集。以iris数据集复现问题如下：

# 用iris数据集模拟含重复项的真实数据
# 重复第1行20次
iris1 <- rbind(iris, iris[rep(1, 20), ])

# 移除Species列并去重的新数据集
iris_rm <- subset(iris1, select = -c(Species) )
iris_rm <- iris_rm[!duplicated(iris_rm), ]

# 此处进行数据分析/机器学习操作...

# 尝试忽略Species列做semi_join，再补列失败（行长度不匹配）
library(dplyr)
new <- semi_join(iris_rm, iris1[,-5], by = NULL)
new['Species2']= iris1['Species'] # 此方法无效

核心需求：

• 执行关联时忽略Species列，但结果中要保留该列
• 数据存在特征列相同但Species列不同的非完全重复行

解决方案 #

不用拆分关联和补列两步，直接通过关联操作一次性保留Species列：

方法1：直接关联去重特征集与原始数据集

library(dplyr)

# 生成去重后的特征集（不含Species）
iris_rm <- iris1 %>% 
  select(-Species) %>% 
  distinct()

# 以特征列为连接键，关联原始数据集，自动保留Species列
# inner_join会返回所有特征匹配的行（包括同一特征对应不同Species的情况）
new <- inner_join(iris_rm, iris1, by = names(iris_rm))

# 若需每个特征组合只保留唯一的Species（按需选择）
new_unique_species <- new %>% 
  distinct(across(-Species), .keep_all = TRUE)

方法2：已完成分析后补全Species列

如果已经对iris_rm完成了数据分析，直接用left_join关联原始数据集即可：

# 基于已处理的iris_rm补全Species列
new_with_species <- iris_rm %>%
  left_join(iris1, by = names(iris_rm))

# 按需处理同一特征对应多Species的情况：
# 比如保留所有对应Species
new_all_species <- new_with_species %>% distinct()
# 或者只保留每个特征的第一个Species
new_first_species <- new_with_species %>% distinct(across(-Species), .keep_all = TRUE)

关键说明 #

• 用names(iris_rm)作为连接键，避免手动指定列名，适配任意特征列数量的数据集
• 针对“特征相同但Species不同”的场景，inner_join/left_join会保留所有匹配结果，可通过distinct按需去重或筛选

内容的提问来源于stack exchange，提问作者MM1