dplyr：：dplyr

Question

我的问题涉及来自dplyr的dplyr函数。

首先，设置数据：

set.seed(0)

df <- data.frame(
    x = sample(10, 100, rep = TRUE),
    y = sample(10, 100, rep = TRUE)
)

考虑distinct的以下两种用法。

df %>%
    group_by(x) %>%
    distinct()

df %>%
    group_by(x) %>%
    distinct(y)

第一个结果与第二个结果不同。据我所知，第一组操作查找“x的所有不同值，并返回y的第一个值”，第二组操作查找“对于x的每个值，查找y的所有不同值”。

为什么会这样？

df %>%
    distinct(x, y)

df %>% distinct()

产生同样的结果？

编辑:看起来这是一个已知的bug：https://github.com/hadley/dplyr/issues/1110

Answer 1

据我所知，答案是distinct在确定区分性时考虑分组列，在我看来，这与dplyr的其他部分的工作方式不一致。

因此：

df %>%
group_by(x) %>%
distinct()

按x分组，查找x(!)中不同的值。这好像是个虫子。

然而：

df %>%
group_by(x) %>%
distinct(y)

按x分组，查找在y给定的x中不同的值。这相当于上述两种情况中的一种：

df %>%
distinct(x, y)

df %>% distinct()

两者都在x和y中找到不同的值。

带回家的信息似乎是:不要使用分组和distinct。只需在distinct中使用相关的列名作为参数。