根据特定标准删除重复项

Question

我有一个如下所示的数据集：

df <- structure(list(Claim.Num = c(500L, 500L, 600L, 600L, 700L, 700L, 
100L, 200L, 300L), Amount = c(NA, 1000L, NA, 564L, 0L, 200L, 
NA, 0L, NA), Company = structure(c(NA, 1L, NA, 4L, 2L, 3L, NA, 
3L, NA), .Label = c("ATT", "Boeing", "Petco", "T Mobile"), class = "factor")), .Names =     
c("Claim.Num", "Amount", "Company"), class = "data.frame", row.names = c(NA, 
-9L))

我希望根据Claim值删除重复行，但是要根据以下条件删除重复行：df$Company == 'NA' | df$Amount == 0

换句话说，删除记录1、3和5。

我已经走了这么远：df <- df[!duplicated(df$Claim.Num[which(df$Amount = 0 | df$Company == 'NA')]),]

代码运行时没有错误，但实际上并没有根据所需的条件删除重复行。我认为这是因为我告诉它删除符合这些标准的任何重复索赔Num，但不是删除任何重复的Claim.Num，而是处理某些金额&公司优先考虑删除。请注意，我不能简单地根据指定的值筛选出数据集，因为还有其他可能具有0或NA值的记录需要包含(例如，不应排除记录8和9，因为它们的Claim.Nums不重复)。

Answer 1

如果首先对数据帧进行排序，则可以确保duplicated保留所需的数据帧：

df.tmp <- with(df, df[order(ifelse(is.na(Company) | Amount == 0, 1, 0)), ])
df.tmp[!duplicated(df.tmp$Claim.Num), ]
#   Claim.Num Amount  Company
# 2       500   1000      ATT
# 4       600    564 T Mobile
# 6       700    200    Petco
# 7       100     NA     <NA>
# 8       200      0    Petco
# 9       300     NA     <NA>

Answer 2

略有不同的方法

r <- merge(df,
           aggregate(df$Amount,by=list(Claim.Num=df$Claim.Num),length),
           by="Claim.Num")
result <-r[!(r$x>1 & (is.na(r$Company) | (r$Amount==0))),-ncol(r)]
result
#   Claim.Num Amount  Company
# 1       100     NA     <NA>
# 2       200      0    Petco
# 3       300     NA     <NA>
# 5       500   1000      ATT
# 7       600    564 T Mobile
# 9       700    200    Petco

这将添加一个列x，以指示哪些行有不止一次Claim.Num，然后根据您的条件筛选结果。-ncol(r)的使用只是删除了末尾的列x。

Answer 3

另一种基于subset和逻辑索引的方法：

subset(dat, !(duplicated(Claim.Num) | duplicated(Claim.Num, fromLast = TRUE)) |  
         (!is.na(Amount) & Amount))

  Claim.Num Amount  Company
2       500   1000      ATT
4       600    564 T Mobile
6       700    200    Petco
7       100     NA     <NA>
8       200      0    Petco
9       300     NA     <NA>