如何用dplyr的distinct保留每个sample_id分组下值唯一的列？

需求说明 #

使用dplyr处理数据框，按sample_id列分组折叠数据，仅保留每个sample_id分组内值完全唯一的列（预先不知道哪些列符合条件），最终得到每个sample_id对应唯一行的结果。

示例数据 #

test <- data.frame(a=rep(1:3,each=2),b=rnorm(6),sample_id=factor(rep(1:3,each=2),labels=c("A","B","C")))

生成的数据：

a          b sample_id
1 1 -1.6717346         A
2 1  0.3294801         A
3 2  0.9780187         B
4 2  0.5510816         B
5 3 -0.9349387         C
6 3 -0.5981711         C

期望结果 #

a sample_id
1 1         A
2 2         B
3 3         C

解决方案 #

核心思路是先自动识别所有分组内值唯一的列，再用distinct提取这些列的唯一行：

library(dplyr)

# 1. 自动筛选符合条件的列名
unique_cols <- test %>%
  group_by(sample_id) %>%
  # 计算每列在当前分组内是否只有唯一值
  summarise(across(everything(), ~n_distinct(.) == 1)) %>%
  # 确认该列在所有分组中都满足唯一值条件
  summarise(across(everything(), all)) %>%
  # 筛选出符合条件的列并提取列名
  select(where(~.)) %>%
  colnames()

# 2. 提取目标列的唯一行
result <- test %>%
  distinct(all_of(unique_cols), .keep_all = FALSE)

代码解释 #

• 第一步通过两次summarise完成列筛选：
  • 第一次按sample_id分组，检查每列在组内的不同值数量是否为1；
  • 第二次汇总所有分组的结果，仅保留所有分组都满足“值唯一”的列，最后提取这些列的名称。
• 第二步用distinct结合all_of(unique_cols)，直接保留目标列的唯一行，得到最终结果。

内容的提问来源于stack exchange，提问作者epurdom