如何在R中移除多变量中相同值占比超80%的行？

嘿，我来帮你搞定这个问题！你的需求很明确：26个取值在1-12之间的变量，要删掉那些至少80%取值相同的行（也就是某一数值出现≥21次的行）。咱们一步步来拆解：

为什么你之前的代码可能有问题？ #

你提到用了apply(df1, 1, function(x) mean(x == Mode(x)) <= 0.8)，这个思路的核心是用众数（Mode）来判断，但有两个潜在问题：

1. R语言没有内置的Mode函数，如果你自己实现的Mode函数没有处理「多个众数」的情况（比如一行里两个值各出现13次），可能会导致判断错误；
2. 就算Mode函数没问题，当某值出现次数刚好卡在21次时，mean(x == Mode(x))是21/26≈0.807，确实会被过滤，但这种方式不如直接统计出现次数直观可靠。

更可靠的实现思路 #

既然我们知道变量取值范围是1-12，而且只需要判断每行中出现次数最多的数值是否超过20次（因为26*0.8=20.8，所以≤20次就符合保留条件），我们可以直接统计每行的最大出现次数，再做筛选。

方法1：通用版（适合任意取值范围） #

用table()统计每行的数值频率，取最大值判断：

# 定义函数：计算一行中出现次数最多的数值的次数
max_occurrence <- function(row) {
  max(table(row))
}

# 筛选出最大出现次数≤20的行（移除≥21次的行）
filtered_df <- df1[apply(df1, 1, max_occurrence) <= 20, ]

方法2：高效版（利用取值范围1-12的特点） #

因为你的变量取值固定在1-12，用tabulate()会比table()快很多（尤其当数据集很大时）：

# 高效版函数：针对1-12的取值，直接统计每个值的出现次数
max_occurrence_fast <- function(row) {
  max(tabulate(row, nbins = 12))
}

# 执行筛选
filtered_df <- df1[apply(df1, 1, max_occurrence_fast) <= 20, ]

测试验证 #

我们可以构造一个测试数据集来验证代码是否生效：

set.seed(123) # 保证结果可复现
# 正常行：没有值出现超过20次
normal_row <- sample(1:12, 26, replace = TRUE)
# 要移除的行：21个1，5个随机其他值
remove_row <- c(rep(1, 21), sample(2:12, 5, replace = TRUE))
test_df <- data.frame(rbind(normal_row, remove_row))

# 运行筛选
result <- test_df[apply(test_df, 1, max_occurrence_fast) <= 20, ]
# 查看结果：只会保留正常行
print(result)

这样就能精准地移除那些重复率过高的行啦！

内容的提问来源于stack exchange，提问作者Benji