Select 除一列外所有行都是重复的

Question

我想在数据集中找到所有列中的值（一列除外）都匹配的行。 在多次尝试让 duplicated() 返回重复行的所有实例（而不仅仅是第一个实例）失败后，我想出了一种方法来做到这一点（如下）。

例如，我想识别 Iris 数据集中除 Petal.Width 之外的所有行。

require(tidyverse)
x = iris%>%select(-Petal.Width)
dups = x[x%>%duplicated(),]
answer =  iris%>%semi_join(dups)

> answer 
   Sepal.Length Sepal.Width Petal.Length Petal.Width   Species
1           5.1         3.5          1.4         0.2    setosa
2           4.9         3.1          1.5         0.1    setosa
3           4.8         3.0          1.4         0.1    setosa
4           5.1         3.5          1.4         0.3    setosa
5           4.9         3.1          1.5         0.2    setosa
6           4.8         3.0          1.4         0.3    setosa
7           5.8         2.7          5.1         1.9 virginica
8           6.7         3.3          5.7         2.1 virginica
9           6.4         2.8          5.6         2.1 virginica
10          6.4         2.8          5.6         2.2 virginica
11          5.8         2.7          5.1         1.9 virginica
12          6.7         3.3          5.7         2.5 virginica

如您所见，这是有效的，但这是我几乎可以肯定很多其他人需要此功能的时候之一，而我不知道一个 function 以更少的步骤或通常更整洁的方式执行此操作. 有什么建议么？

来自至少两个其他帖子的替代方法适用于这种情况：

answer = iris[duplicated(iris[-4]) | duplicated(iris[-4], fromLast = TRUE),]

但这似乎只是一种不同的解决方法，而不是单一的 function。这两种方法花费的时间相同。 （在我的系统上为 0.08 秒）。 没有更整洁/更快的方法吗？

例如 iris%>%duplicates(all=TRUE,ignore=Petal.Width)

Answer 1

iris[duplicated(iris[,-4]) | duplicated(iris[,-4], fromLast = TRUE),]

在重复行（与第4列无关）中， duplicated(iris[,-4])给出重复集的第二行，第18、35、46、133、143和145行，以及duplicated(iris[,-4], fromLast = TRUE)给出每个重复集的第一行， duplicated(iris[,-4], fromLast = TRUE)和129 | 结果为12 TRUE ，因此返回预期输出。

或使用dplyr：基本上，您将除Petal.Width之外的所有变量Petal.Width ，计算它们发生的次数，并过滤不止一次出现的那些。

library(dplyr)
iris %>% 
  group_by_at(vars(-Petal.Width)) %>% 
  filter(n() > 1)

   Sepal.Length Sepal.Width Petal.Length Petal.Width   Species
          <dbl>       <dbl>        <dbl>       <dbl>    <fctr>
 1          5.1         3.5          1.4         0.2    setosa
 2          4.9         3.1          1.5         0.1    setosa
 3          4.8         3.0          1.4         0.1    setosa
 4          5.1         3.5          1.4         0.3    setosa
 5          4.9         3.1          1.5         0.2    setosa
 6          4.8         3.0          1.4         0.3    setosa
 7          5.8         2.7          5.1         1.9 virginica
 8          6.7         3.3          5.7         2.1 virginica
 9          6.4         2.8          5.6         2.1 virginica
10          6.4         2.8          5.6         2.2 virginica
11          5.8         2.7          5.1         1.9 virginica
12          6.7         3.3          5.7         2.5 virginica

Answer 2

我认为看门人可以直接做到这一点。

library(janitor)

get_dupes(iris, !Petal.Width)

# get_dupes(iris, !Petal.Width)[,names(iris)] # alternative: no count column

   Sepal.Length Sepal.Width Petal.Length   Species dupe_count Petal.Width
1           4.8         3.0          1.4    setosa          2         0.1
2           4.8         3.0          1.4    setosa          2         0.3
3           4.9         3.1          1.5    setosa          2         0.1
4           4.9         3.1          1.5    setosa          2         0.2
5           5.1         3.5          1.4    setosa          2         0.2
6           5.1         3.5          1.4    setosa          2         0.3
7           5.8         2.7          5.1 virginica          2         1.9
8           5.8         2.7          5.1 virginica          2         1.9
9           6.4         2.8          5.6 virginica          2         2.1
10          6.4         2.8          5.6 virginica          2         2.2
11          6.7         3.3          5.7 virginica          2         2.1
12          6.7         3.3          5.7 virginica          2         2.5

Answer 3

我调查了duplicated的来源，但希望知道是否有人可以更快地找到任何东西。 它可能涉及到Rcpp或类似的东西。 在我的机器上，基本方法是最快的，但是您的原始方法实际上比最易读的dplyr方法dplyr 。 我认为为自己的目的包装一个这样的函数应该足够了，因为无论如何您的运行时间似乎都不会太长，如果主要是iris %>% opts("Petal.Width") ，则可以这样做关心。

library(tidyverse)
library(microbenchmark)

opt1 <- function(df, ignore) {
  ignore = enquo(ignore)
  x <- df %>% select(-!!ignore)
  dups <- x[x %>% duplicated(), ]
  answer <- iris %>% semi_join(dups)
}

opt2 <- function(df, ignore) {
  index <-  which(colnames(df) == ignore)
  df[duplicated(df[-index]) | duplicated(df[-index], fromLast = TRUE), ]
}

opt3 <- function(df, ignore){
  ignore <-  enquo(ignore)
  df %>%
    group_by_at(vars(-!!ignore)) %>%
    filter(n() > 1)
}


microbenchmark(
  opt1 = suppressMessages(opt1(iris, Petal.Width)),
  opt2 = opt2(iris, "Petal.Width"),
  opt3 = opt3(iris, Petal.Width)
)
#> Unit: milliseconds
#>  expr      min       lq     mean   median       uq       max neval cld
#>  opt1 3.427753 4.024185 4.851445 4.464072 5.069216 12.800890   100  b 
#>  opt2 1.712975 1.908130 2.403859 2.133632 2.542871  7.557102   100 a  
#>  opt3 6.604614 7.334304 8.461424 7.920369 8.919128 24.255678   100   c

由reprex软件包 （v0.2.0）于2018-07-12创建。