只删除R中数据帧中的相邻重复项

Question

我在R中有一个数据帧，是，应该有重复的。然而，有一些重复，我将需要删除。特别是，我只想删除行-相邻的重复，但保留其余的。例如，假设我有数据框架：

df = data.frame(x = c("A", "B", "C", "A", "B", "C", "A", "B", "B", "C"), 
                y = c(1, 2, 3, 4, 5, 6, 7, 8, 9, 10))

这将导致以下数据框架

x   y
A   1
B   2
C   3
A   4
B   5
C   6
A   7
B   8
B   9
C   10

在这种情况下，我希望有重复"A，B，C，A，B，C等“。但是，只有当我看到相邻的行重复时，才会出现问题。在上面的示例中，这将是第8行和第9行，重复的"B“彼此相邻。

在我的数据集中，每当发生这种情况时，第一个实例总是一个用户错误，第二个实例总是正确的版本。在非常罕见的情况下，可能存在重复发生3次(或更多)的情况。然而，在每一种情况下，我总是希望保持最后一次发生。因此，按照上面的示例，我希望最终数据集如下所示

A   1
B   2
C   3
A   4
B   5
C   6
A   7
B   9
C   10

在R中有一种简单的方法吗？提前感谢您的帮助！

编辑: 11/19/2014 12:14美国东部时间下午12:14用户阿克伦发布了一个解决方案(拼写？)后来就被删除了。我现在确定为什么，因为它似乎对我有用吗？

解决办法是

df = df[with(df, c(x[-1]!= x[-nrow(df)], TRUE)),]

它似乎对我有效，为什么它被删除？例如，在连续重复2次以上的情况下：

df = data.frame(x = c("A", "B", "B", "B", "C", "C", "C", "A", "B", "C", "A", "B", "B", "C"), y = c(1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14))
   x  y
1  A  1
2  B  2
3  B  3
4  B  4
5  C  5
6  C  6
7  C  7
8  A  8
9  B  9
10 C 10
11 A 11
12 B 12
13 B 13
14 C 14

> df = df[with(df, c(x[-1]!= x[-nrow(df)], TRUE)),]
> df
   x  y
1  A  1
4  B  4
7  C  7
8  A  8
9  B  9
10 C 10
11 A 11
13 B 13
14 C 14

这看起来管用吗？

Answer 1

试一试

 df[with(df, c(x[-1]!= x[-nrow(df)], TRUE)),]
#   x  y
#1  A  1
#2  B  2
#3  C  3
#4  A  4
#5  B  5
#6  C  6
#7  A  7
#9  B  9
#10 C 10

解释

这里，我们将一个元素与它前面的元素进行比较。这可以通过从列和该列中删除first element来完成，与删除last element的列相比(这样长度就相等了)。

 df$x[-1] #first element removed
 #[1] B C A B C A B B C
 df$x[-nrow(df)]
  #[1] A B C A B C A B B #last element `C` removed

 df$x[-1]!=df$x[-nrow(df)]
 #[1]  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE FALSE  TRUE

在上面，当我们删除一个元素时，长度小于1的nrow of df。为了补偿这一点，我们可以连接一个TRUE，然后使用这个index来设置数据集。

Answer 2

下面是一个rle解决方案：

df[cumsum(rle(as.character(df$x))$lengths), ]
#    x  y
# 1  A  1
# 2  B  2
# 3  C  3
# 4  A  4
# 5  B  5
# 6  C  6
# 7  A  7
# 9  B  9
# 10 C 10

解释：

RLE代表游程编码。它产生了一个向量列表。一个是运行值，另一个长度是每个值的连续重复次数。例如，x <- c(3, 2, 2, 3)有一个运行向量c(3, 2, 3)和lengths c(1, 2, 1)。在本例中，长度的累积和将产生c(1, 3, 4)。子集x与这个向量，你得到c(3, 2, 3)。请注意，长度向量的第二个元素是向量的第三个元素，在特定的“run”中最后出现的是2。

Answer 3

你也可以试试

df[c(diff(as.numeric(df$x)), 1) != 0, ]

如果x属于character类(而不是factor)，请尝试

df[c(diff(as.numeric(factor(df$x))), 1) != 0, ]
#    x  y
# 1  A  1
# 2  B  2
# 3  C  3
# 4  A  4
# 5  B  5
# 6  C  6
# 7  A  7
# 9  B  9
# 10 C 10