R语言如何筛选重复ID下cat与actual.cat不匹配的行
核心筛选逻辑
完全匹配需求的判断规则可以拆为两层:
- 单条出现的非重复id,不做任何校验全部保留
- 同一id出现多次的重复分组,删除组内
cat与actual.cat取值相等的行,仅保留两字段取值不匹配的行
实现方法
1. 基础R原生实现(无需加载第三方包)
先标记所有存在重复值的id,再叠加条件做行过滤:
# 提取所有存在重复的id值 dup_ids <- unique(df$id[duplicated(df$id) | duplicated(df$id, fromLast = TRUE)]) # 按规则筛选行 df_filtered <- df[ !(df$id %in% dup_ids) | (df$id %in% dup_ids & df$cat != df$actual.cat), ]
运行代码得到的行内容和示例的预期输出完全一致,如果需要去掉原数据的行号、重置为连续从1开始的序号,只需要执行rownames(df_filtered) <- NULL即可,和示例的输出格式完全匹配。
2. dplyr分组实现(逻辑更直观)
熟悉tidyverse生态的话,用分组判断的写法可读性更强,不需要单独提取重复id列表:
library(dplyr) df_filtered <- df %>% # 按id字段分组 group_by(id) %>% # 组内规则:重复id(组内行数>1)仅保留cat与actual.cat不相等的行;单id行全部保留 filter(if_else(n() > 1, cat != actual.cat, TRUE)) %>% # 解除分组状态 ungroup()
两种方法可以根据日常使用习惯选择,在常规规模的数据集下运算效率没有明显差异。
内容的提问来源于stack exchange,提问作者amisos55
相关产品推荐
相关产品推荐

