r - data.table 中的唯一标识符

Question

我有一个 data.table有 11 个变量和 200,000 多行。我试图找到 unique identifier (换句话说， key )在这个 data.table 中.

我正在寻找类似 isid 的东西在 Stata 中，它检查指定的变量是否唯一标识了观察结果。有人可以帮忙吗？

Answer 1

这并不能完全回答 OP 问题 [我没有使用过 data.table ]，但它会有所帮助 R只有用户才能回答 OP 的问题。我的重点将是解释如何isid实际上正在处理 Stata .我使用来自 R 的数据数据库(您需要为该数据安装 optmatch)。

library(optmatch)
data(nuclearplants)
sample<-nuclearplants

我只关注数据框的子集，因为我的目标只是解释 isid是在做:

sample<-sample[,c(1,2,5,10)]
head(sample,5)
 cost  date  cap cum.n
H 460.05 68.58  687    14
I 452.99 67.33 1065     1
A 443.22 67.33 1065     1
J 652.32 68.00 1065    12
B 642.23 68.00 1065    12

现在，当我使用 Stata命令 isid cost它不显示任何内容，这意味着没有对成本的重复观察( R 对此的命令是 unique(sample$cost) 或 sample[duplicated(sample),]

[1] cost  date  cap   cum.n
<0 rows> (or 0-length row.names).)

但是，当我们使用 isid date 时即在日期变量上， Stata报告说它不是唯一的。或者，如果您运行 duplicates date examples , Stata会给你重复的观察如下:

. duplicates example date

Duplicates in terms of date

  +-------------------------------+
  | group:   #   e.g. obs    date |
  |-------------------------------|
  |      1   2         27   67.25 |
  |      2   2          2   67.33 |
  |      3   3         29   67.83 |
  |      4   2          4      68 |
  |      5   5          8   68.42 |
  |-------------------------------|
  |      6   2          1   68.58 |
  |      7   2         12   68.75 |
  |      8   3         14   68.92 |
  +-------------------------------+

为了解释输出，是说观察 67.25 有两个重复的观察(如 # 所示)。第一个观察值对应于第 27 行(它没有用 67.25 标识第二个重复项的行号)。 Group给出每次重复的唯一标识符。

R command for the same is duplicated(sample$date). 
duplicated(sample$date)
 [1] FALSE FALSE  TRUE FALSE  TRUE FALSE FALSE FALSE  TRUE FALSE  TRUE FALSE  TRUE FALSE  TRUE  TRUE FALSE  TRUE FALSE  TRUE  TRUE
[22] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE  TRUE  TRUE  TRUE

To identify the unique observation we can also use unique(sample$date) in R. 

我们可以对两个变量做同样的事情 isid cost date .再次， Stata不识别跨两个变量的重复观察。使用 unique(sample[,c(1,2)] 时也是如此在 R .

如果我再次运行 isid在所有四个变量上然后 Stata说它是独一无二的(没有警告)。

duplicates example  cost date cap cum_n

Duplicates in terms of cost date cap cum_n

(0 observations are duplicates)

与 unique(sample) 相同在 R .

结论 :因此，我认为只要一个变量是唯一的(即它没有重复的观察)，包含唯一变量的变量组合就应该始终是唯一的。如果我错了，请纠正我。