R删除数据框中的重复条目并保留具有较少NA和零的行

Question

我想对从另一个生成的 data.frame 进行重复数据删除我的代码库的一部分无法知道列和行。 data.frame 有一些我想比较的列对于复制，此处为 A 和 B，但我想选择那些在其他行中包含较少 NA 和零的行数据框中的列，此处为 C、D 和 E。

tc=
 'Id  B   A   C  D  E
   1  62  12  0  NA  NA
   2  12  62  1  1  1                  
   3  2   62  1  1  1
   4  62  12  1  1  1
   5  55  23  0  0  0      '

df =read.table(textConnection(tc),header=T)

我可以使用duplicated，但是因为我无法控制我的数据框所在的列和行，我需要一种方法来获取具有较少 NA 和零的唯一值。

这将在示例中起作用，但如果传入的 data.frame 则不起作用有不同的顺序:

df[!duplicated(data.frame(A=df$A,B=df$B),fromLast=TRUE),]
  Id  B  A C D E
2  2 12 62 1 1 1
3  3  2 62 1 1 1
4  4 62 12 1 1 1
5  5 55 23 0 0 0

有什么想法吗？

Answer 1

这是一种基于对有效值进行计数并对数据框重新排序的方法。

首先，统计 C、D 和 列中的 NA 和 0 >E.

rs <- rowSums(is.na(df[c("C", "D", "E")]) | !df[c("C", "D", "E")])
# [1] 3 0 0 0 3

其次，按A、B和新变量对数据框进行排序:

df_ordered <- df[order(df$A, df$B, rs), ]
#   Id  B  A C  D  E
# 4  4 62 12 1  1  1
# 1  1 62 12 0 NA NA
# 5  5 55 23 0  0  0
# 3  3  2 62 1  1  1
# 2  2 12 62 1  1  1

现在，您可以删除重复的行并保留有效值数量最多的行。

df_ordered[!duplicated(df_ordered[c("A", "B")]), ]
#   Id  B  A C D E
# 2  2 12 62 1 1 1
# 3  3  2 62 1 1 1
# 4  4 62 12 1 1 1
# 5  5 55 23 0 0 0