r - 在大数据集上查找重复行(使用 dplyr)的高性能方法

Question

我有以下数据框:

> df1 <- data.frame("valA" = c(1,1,1,1,2,1,3,3,3), "valB" = c(1,2,3,1,2,3,1,2,3), "Score" = c(100,90,80,100, 60,80,10,20,30))
> df1
  valA valB Score
1    1    1   100
2    1    2    90
3    1    3    80
4    1    1   100
5    2    2    60
6    1    3    80
7    3    1    10
8    3    2    20
9    3    3    30

我想要重复的值(预期结果是):

     valA  valB Score
 1     1     1   100
 2     1     3    80
 3     1     1   100
 4     1     3    80

我知道 dplyr::distinct 中有代码可以获取唯一值，但我需要知道哪些行是重复的，而不是从数据框中删除重复项。我尝试了 R base duplicated 函数，但它太慢了，因为我的数据很大(超过 2000 万行)。我也试过:

duplicated_df1 <- df1 %>% group_by(valA, valB, Score) %>% filter(n() > 1)

这可能会导致上述预期结果，但同样，它太慢而且我没有足够的 RAM。任何人都可以建议我找到重复行的高效快速方法吗？

Answer 1

对于大型数据，尝试使用 data.table 方法通常很有用。在这种情况下，您可以使用以下方法找到重复的行:

library(data.table)
setDT(df1, key = c("valA", "valB", "Score"))
df1[, N := .N, by = key(df1)]                # count rows per group
df1[N > 1]