删除重复项，但根据特定列保留行

Question

我有一个大型数据集，它是通过组合来自多个来源的数据来构建的。因此，有许多行是重复的。我知道如何使用dplyr和distinct删除重复项，但我希望它始终保持基于单元格(源文件)中的特定值的行。本质上，我们有一个排名，我们更喜欢哪一个来源。下面是一个非常简化的数据集，可用作示例：

mydata = data.frame (species =c ('myli','myli','myli','myli','myli','stili','stili','stili'),
                     count = c (10,10,15,15,12,10,10,10),
                     year =c(2020,2020,2021,2021,2019,2017,2017,2018),
                     source =c('zd','steam','ted','steam','zd','steam','ted','steam'))
    
    
    mydata

  species count year source
1    myli    10 2020     zd
2    myli    10 2020  steam
3    myli    15 2021    ted
4    myli    15 2021  steam
5    myli    12 2019     zd
6   stili    10 2017  steam
7   stili    10 2017    ted
8   stili    10 2018  steam

我执行以下操作以删除重复的副本：

library(dplyr)
 
# Remove duplicate rows of the dataframe using 'species', 'count', and 'year' variables
distinct(mydata, species, count, year, .keep_all= TRUE)

  species count year source
1    myli    10 2020     zd
2    myli    15 2021    ted
3    myli    12 2019     zd
4   stili    10 2017  steam
5   stili    10 2018  steam

但是，我希望确保在存在重复时保留的行按照以下顺序排列“源”的优先级: zd > ted >蒸汽，因此最后一个表如下所示：

  species count year source
1    myli    10 2020     zd
2    myli    15 2021    ted
3    myli    12 2019     zd
4   stili    10 2017    ted
5   stili    10 2018  steam

因此，基本上保留原始行'1‘、'3’、'5‘、'7’和'8‘，删除重复行'2’、'4‘和'6’。

对于如何完成最后一步，对保留重复行的原始行进行优先排序，我表示赞赏。

非常感谢你，阿曼达

Answer 1

由于您的优先级恰好是按相反的字母顺序排列的，所以在本例中，您可以在arrange(desc(source))调用之前简单地进行distinct()。

mydata %>% 
  arrange(desc(source)) %>% 
  distinct(species,count,year,.keep_all = T)

输出

  species count year source
1    myli    10 2020     zd
2    myli    12 2019     zd
3    myli    15 2021    ted
4   stili    10 2017    ted
5   stili    10 2018  steam

Answer 2

尊重秩序。因此，由于您的标准是按字母顺序排列的，所以您可以这样做：

mydata |>
  arrange(desc(source)) |>
  distinct(species, count, year, .keep_all= TRUE)

.*在其他情况下，您需要使用顺序创建一个变量。