如何基于4个标识列提取部分重复行生成新DataFrame

你可以用两种适配tidyverse风格的方法，提取基于指定4个ID列重复的所有行：

方法1：双向匹配重复项 #

duplicated()默认只标记每组重复项里除第一行外的记录，搭配fromLast = TRUE能标记除最后一行外的重复项，两者取并集就能拿到所有重复行：

# 生成包含所有重复行的新数据集
DuplicateRows <- FullData %>%
  filter(duplicated(., by = c("Link", "BillType", "BillNumber", "Name")) |
           duplicated(., by = c("Link", "BillType", "BillNumber", "Name"), fromLast = TRUE))

方法2：分组筛选多记录组 #

按4个ID列分组后，筛选出组内行数大于1的所有记录，也能得到全部重复行：

# 生成包含所有重复行的新数据集
DuplicateRows <- FullData %>%
  group_by(Link, BillType, BillNumber, Name) %>%
  filter(n() > 1) %>%
  ungroup()

核对后去重 #

等你完成DuplicateRows的内容核对，直接用你已掌握的代码对原始数据集去重即可：

FullData <- FullData %>% 
  distinct(Link, BillType, BillNumber, Name, .keep_all = TRUE)

内容的提问来源于stack exchange，提问作者user17073706