r - 检查每个具有相同唯一 ID 的唯一值

Question

我有一个 excel 表，它看起来像:

Col1    Col2
IJ-123  A2B1
IJ-123  A2B1
IJ-456  C2C2
IJ-456  c2c2
IJ-456  D1e2
IJ-789  LJ87
IJ-456  
IJ-789  LJ98

x = data.frame(
  Col1 = c("IJ-123", "IJ-123", "IJ-456", "IJ-456", 
           "IJ-456", "IJ-789", "IJ-456", "IJ-789"), 
  Col2 = c("A2B1", "A2B1", "C2C2", "c2c2",
           "D1e2", "LJ87", NA, "LJ98")
)

我想再添加一列并检查(对于每个唯一的 Col2 值)在 Col1 中分配的值是 TRUE 还是 FALSE 。

输出:

Col1    Col2  Result
IJ-123  A2B1  TRUE
IJ-123  A2B1  TRUE
IJ-456  C2C2  TRUE
IJ-456  c2c2  TRUE
IJ-456  D1e2  FALSE
IJ-789  LJ87  TRUE (Because Col2 count=1 for this value)
IJ-456        C2C2
IJ-789  LJ98  TRUE (Because Col2 count=1 for this value)

逻辑:

如果 col2 中的值多于 1，则检查
那些 col2 值对应的 col1 值是相同的

如果只有一个 col2 值，则检查 col1 是否唯一
但仅针对多次出现的 col2 值的 col1 值。

如果我们有重复的 Col2，那么 Col1 中的某些字段是空白的
值比显示映射到结果中的那些 Col2 的 Col1 值(见第 7 行)。

为此，我有一个 excel 公式 =IF(COUNTIF($B$2:$B$8,B2)=1,SUMPRODUCT(--(($A$2:$A$8=A2)*(COUNTIF($B$2:$B$8,$B$2:$B$8))>1))=0,COUNTIFS($B$2:$B$8,B2,$A$2:$A$8,"<>"&A2)=0) 但它的工作速度非常慢，因为等待了大约 4 个小时，它只完成了大约 20 万条数据的 28% 处理。

我已将 csv 格式的文件上传到 R 上，并希望在 R 上执行相同的练习以加快处理速度。

Answer 1

试试 dplyr:

require(dplyr)
x$Col2 <- toupper(x$Col2) #make all letters same case.

x_assigned <- x %>% group_by(Col2,Col1) %>% 

summarise(n = n()) %>% #counts the number of occurrences
  group_by(Col1) %>% arrange(desc(n)) %>%  # arranges so that the highest count per Col1 is first
  mutate(assigned = if (first(n) == 1) { #this conditional statement will assign the 'correct' Col2 value to your Col1 value
      Col2
    } else if (first(n) > 1) { 
      first(Col2)
    },
  test = assigned == Col2)

x_assigned

# A tibble: 6 x 5
# Groups:   Col1 [3]
  Col2  Col1      n assigned test 
  <chr> <chr> <int> <chr>    <lgl>
1 A2B1  I-123     2 A2B1     T    
2 C2C2  I-456     2 C2C2     T    
3 D1E2  I-456     1 C2C2     F    
4 LJ87  I-789     1 LJ87     T    
5 LJ98  I-789     1 LJ98     T    
6 <NA>  I-456     1 C2C2     NA  

为了获得所需的结果，您可以对 x 和 x_assigned 进行简单的左连接:

left_join(x, x_assigned, by = c('Col1', 'Col2'))

您可以通过这种方式查看缺失值的位置，还可以轻松分配“正确”的 Col2 值。抱歉，如果我误解了您的问题，我仍然不确定您如何将“正确”的 Col2 值分配给 Col1 值