删除重复项，但保留最完整的迭代

Question

我试图弄清楚如何根据三个变量( id, key, and num )删除重复项。我想删除填充最少列的重复项。如果填充的数量相同，则可以删除其中任何一个。
例如，

Original <- data.frame(id= c(1,2,2,3,3,4,5,5), 
key=c(1,2,2,3,3,4,5,5),
num=c(1,1,1,1,1,1,1,1),
v4= c(1,NA,5,5,NA,5,NA,7), 
v5=c(1,NA,5,5,NA,5,NA,7))

输出如下:

Finished <- data.frame(id= c(1,2,3,4,5),
key=c(1,2,3,4,5),
num=c(1,1,1,1,1),
v4= c(1,5,5,5,7),
v5=c(1,5,5,5,7))

我的真实数据集更大，并且混合了大部分数字变量，但还有一些字符变量，但我无法确定执行此操作的最佳方法。我以前使用过一个程序，它可以在名为 check.all 的重复命令中执行类似的操作。

到目前为止，我的想法是使用 grepl 并确定“任何东西”在哪里

Present <- apply(Original, 2, function(x) grepl("[[:alnum:]]", x))

然后，使用生成的数据框，我要求 rowSums 并将其 Cbind 到原始数据。

CompleteNess <- rowSums(Present)
cbind(Original, CompleteNess)

这就是我不确定下一步的地方......我有一个变量告诉我每行填充了多少列(CompleteNess)；但是，我不确定如何实现重复。

简单地说，我正在寻找当 id、key 和 num 重复时 - 保留 CompleteNess 值最高的行。

如果有人能想到更好的方法来做到这一点或让我度过最后一点，我将不胜感激。谢谢大家!

Answer 1

这是一个解决方案。它不是很漂亮，但它应该适用于您的应用程序:

#Order by the degree of completeness    
Original<-Original[order(CompleteNess),]

#Starting from the bottom select the not duplicated rows 
#based on the first 3 columns
Original[!duplicated(Original[,1:3], fromLast = TRUE),]

这确实会重新排列您的原始数据框，因此请注意以后是否有其他处理。