刪除重復項但保留基於特定列的行

Question

我有一個大型數據集，它是通過組合來自多個來源的數據而構建的。 因此，有許多行是重復的。 我知道如何使用 dplyr 和 distinct 刪除重復項，但我希望它始終根據單元格（源文件）中的特定值保留行。 本質上，我們對我們更喜歡哪些來源進行了排名。 下面是一個非常簡化的數據集，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

我執行以下操作來刪除重復項：

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，我想確保在存在重復項時保留的行按以下順序優先考慮“源”：zd > ted > steam，因此最終表格如下所示：

  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”，並刪除了重復的“2”、“4”和“6”行。

我很感激有關如何執行最后一步以優先考慮保留重復行的原始行的任何建議。

非常感謝，阿曼達

Answer 1

由於您的優先級恰好按字母倒序排列，因此在這種情況下，您可以簡單地在distinct()調用之前arrange(desc(source))

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

輸出

  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

不同的尊重順序。 因此，由於您的標准是按字母順序排列的*，您可以像這樣簡單地做到這一點：

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

.* 在其他情況下，您需要使用訂單創建一個變量。