如何创建部分重复行的新数据(基于45列中的4列的重复数据)

Question

我有一个很大的数据集，其中大约10%是“双重编码”。一名研究助理重新收集了部分数据的数据，这样我们就可以确保数据的准确性。大多数情况下，我想检查拼写错误和其他不符之处。

我只想将双编码行提取到一个新的数据帧中，这样我就可以读取它们以确保它们匹配，然后删除重复的行。

我可以根据4个ID列(链接、BillType、BillNumber、Name)识别重复的数据。我知道如何根据一定数量的列识别重复行和删除重复项，但如何才能创建重复的数据集？

这样我就可以删除重复的行：

FullData <- FullData %>% 
  distinct(Link, BillType, BillNumber, Name, .keep_all = TRUE)

Answer 1

我们可以使用dplyr::anti_join。

library(dplyr)

FullData %>% 
    distinct(Link,
             BillType,
             BillNumber,
             Name,
             .keep_all = TRUE) %>%
    anti_join(FullData)

Answer 2

一种方法是按变量分组，并使用group_rows作为助手来访问重复项(lengths(grps) > 1)。

示例

df
  one two three four five six
1   5   5     6    2    6   6
2   4  10     1   10    8   9
3   2   7     6    2    6   9

选择第三列、第四列和第五列查找重复项。

library(dplyr)

grps <- df %>% 
  group_by(across(three:five)) %>% 
  group_rows

df[sapply(grps[lengths(grps) > 1], c), ]
  one two three four five six
1   5   5     6    2    6   6
3   2   7     6    2    6   9

数据

df <- structure(list(one = c(5, 4, 2), two = c(5, 10, 7), three = c(6, 
1, 6), four = c(2, 10, 2), five = c(6, 8, 6), six = c(6, 9, 9
)), class = "data.frame", row.names = c(NA, -3L))