3

さまざまな個人で構成されるデータセットがあり、各個人には一意の ID があります。各個人はデータセットに複数回出現する可能性がありますが、1 つまたは 2 つの変数 (個人ごとに約 80 あります) が異なることに加えて、値はデータセット内の同じユーザー ID の各エントリで同じである必要があることを理解しています。

可能であれば、データを折りたたんでみたいと思います。私の主な障害は、バックポピュレートする必要がある特定の null 値です。次のような重複排除を実現できる関数を探しています。

# Build sample dataset
df1 = data.frame(id=rep(1:6,2)                 
                ,classA=rep(c('a','b'),6)
                ,classB=rep(c(1001:1006),2)
                )
df1= df1[order(df1$id),]
df1$classC=c('a',NA,'b',NA,NA,NA,'e','d', NA, 'f', NA, NA)
df1[10,"classB"]=NA
df1=df1[df1$id!=6,]

#sample dataset
> df1
   id classA classB classC
1   1      a   1001      a
7   1      a   1001   <NA>
2   2      b   1002      b
8   2      b   1002   <NA>
3   3      a   1003   <NA>
9   3      a   1003   <NA>
4   4      b   1004      e
10  4      b   1004      d
5   5      a   1005   <NA>
11  5      a     NA      f        

# what I'm looking for
> deduplicate(df1, on='id')
  id classA classB classC
1  1      a   1001      a
2  2      b   1002      b
3  3      a   1003   <NA>
4  4      b   1004      d
5  4      b   1004      e
6  5      a   1005      f
4

2 に答える 2

1

まず、行の重複したIDがあり、classC が欠落しているかどうかを確認し、次のように削除します。

dd <- df1[duplicated(df1[,1]) & is.na(df1$classC), ]
df1[setdiff(rownames(df1), rownames(dd)), ]
  id classA classB classC
1  1      a   1001      a
2  2      b   1002      b
3  3      a   1003   <NA>
4  4      b   1004      e
8  4      b   1004      d

編集

上記を多くの列に一般化すると思います。1つのアイデアは、meltたとえば次のように使用してデータを長い形式にすることです。

library(reshape2)
dat.m  <- melt(df1,id.vars='id')
dd <- dat.m[order(dat.m$id),]
rr <- dd[duplicated(dd$id) & is.na(dd$value),]
kk <- dd[setdiff(rownames(dd), rownames(rr)), ]
kk <- kk[!duplicated(kk),]
dcast(kk,id~variable,drop=FALSE,fun.aggregate=list,fill=list(NA))
  id classA classB classC
1  1      a   1001      a
2  2      b   1002      b
3  3      a   1003     NA
4  4      b   1004   e, d
5  5      a   1005      f

最終結果は、目的の出力とは少し異なりますが、少し作業するだけで取得できます (たとえば、strsplit)。

于 2013-06-24T00:39:09.493 に答える