删除重复项但保留基于特定列的行

Question

我有一个大型数据集，它是通过组合来自多个来源的数据而构建的。 因此，有许多行是重复的。 我知道如何使用 dplyr 和 distinct 删除重复项，但我希望它始终根据单元格（源文件）中的特定值保留行。 本质上，我们对我们更喜欢哪些来源进行了排名。 下面是一个非常简化的数据集，用作示例：

mydata = data.frame (species =c ('myli','myli','myli','myli','myli','stili','stili','stili'),
                     count = c (10,10,15,15,12,10,10,10),
                     year =c(2020,2020,2021,2021,2019,2017,2017,2018),
                     source =c('zd','steam','ted','steam','zd','steam','ted','steam'))
    
    
    mydata

  species count year source
1    myli    10 2020     zd
2    myli    10 2020  steam
3    myli    15 2021    ted
4    myli    15 2021  steam
5    myli    12 2019     zd
6   stili    10 2017  steam
7   stili    10 2017    ted
8   stili    10 2018  steam

我执行以下操作来删除重复项：

library(dplyr)
 
# Remove duplicate rows of the dataframe using 'species', 'count', and 'year' variables
distinct(mydata, species, count, year, .keep_all= TRUE)

  species count year source
1    myli    10 2020     zd
2    myli    15 2021    ted
3    myli    12 2019     zd
4   stili    10 2017  steam
5   stili    10 2018  steam

但是，我想确保在存在重复项时保留的行按以下顺序优先考虑“源”：zd > ted > steam，因此最终表格如下所示：

  species count year source
1    myli    10 2020     zd
2    myli    15 2021    ted
3    myli    12 2019     zd
4   stili    10 2017    ted
5   stili    10 2018  steam

因此，基本上保留了原始行“1”、“3”、“5”、“7”和“8”，并删除了重复的“2”、“4”和“6”行。

我很感激有关如何执行最后一步以优先考虑保留重复行的原始行的任何建议。

非常感谢，阿曼达

Answer 1

由于您的优先级恰好按字母倒序排列，因此在这种情况下，您可以简单地在distinct()调用之前arrange(desc(source))

mydata %>% 
  arrange(desc(source)) %>% 
  distinct(species,count,year,.keep_all = T)

输出

  species count year source
1    myli    10 2020     zd
2    myli    12 2019     zd
3    myli    15 2021    ted
4   stili    10 2017    ted
5   stili    10 2018  steam

Answer 2

不同的尊重顺序。 因此，由于您的标准是按字母顺序排列的*，您可以像这样简单地做到这一点：

mydata |>
  arrange(desc(source)) |>
  distinct(species, count, year, .keep_all= TRUE)

.* 在其他情况下，您需要使用订单创建一个变量。