我已经将CSV文件读入R data.frame。某些行在其中一列中具有相同的元素。我想删除该列中重复的行。例如：

platform_external_dbus          202           16                     google        1
platform_external_dbus          202           16         space-ghost.verbum        1
platform_external_dbus          202           16                  localhost        1
platform_external_dbus          202           16          users.sourceforge        8
platform_external_dbus          202           16                    hughsie        1

我只希望这些行中的一个，因为其他行在第一列中具有相同的数据。

只需将数据框隔离到所需的列，然后使用独特的功能：D

# in the above example, you only need the first three columns
deduped.data <- unique( yourdata[ , 1:3 ] )
# the fourth column no longer 'distinguishes' them, 
# so they're duplicates and thrown out.

对于来这里寻找删除重复行的一般答案的人，请使用!duplicated()：

a <- c(rep("A", 3), rep("B", 3), rep("C",2))
b <- c(1,1,2,4,1,1,2,2)
df <-data.frame(a,b)

duplicated(df)
[1] FALSE  TRUE FALSE FALSE FALSE  TRUE FALSE  TRUE

> df[duplicated(df), ]
  a b
2 A 1
6 B 1
8 C 2

> df[!duplicated(df), ]
  a b
1 A 1
3 A 2
4 B 4
5 B 1
7 C 2

答案来自：从R数据框中删除重复的行

该功能distinct()在dplyr包进行随心所欲重复的去除，或者从特定的列/变量（如在这个问题），或者考虑到所有列/变量。dplyr是的一部分tidyverse。

数据和包装

library(dplyr)
dat <- data.frame(a = rep(c(1,2),4), b = rep(LETTERS[1:4],2))

删除在特定列（例如column a）中重复的行

请注意，.keep_all = TRUE将保留所有列，否则a将仅保留列。

distinct(dat, a, .keep_all = TRUE)

  a b
1 1 A
2 2 B

删除与其他行完全重复的行：

distinct(dat)

  a b
1 1 A
2 2 B
3 1 C
4 2 D

该data.table软件包还具有unique和duplicated自己的方法，并具有一些其他功能。

无论是unique.data.table和duplicated.data.table方法有一个额外的by参数，它允许你传递一个character或integer分别列名或它们的位置矢量

library(data.table)
DT <- data.table(id = c(1,1,1,2,2,2),
                 val = c(10,20,30,10,20,30))

unique(DT, by = "id")
#    id val
# 1:  1  10
# 2:  2  10

duplicated(DT, by = "id")
# [1] FALSE  TRUE  TRUE FALSE  TRUE  TRUE

这些方法的另一个重要功能是可以为大型数据集带来巨大的性能提升

library(microbenchmark)
library(data.table)
set.seed(123)
DF <- as.data.frame(matrix(sample(1e8, 1e5, replace = TRUE), ncol = 10))
DT <- copy(DF)
setDT(DT)

microbenchmark(unique(DF), unique(DT))
# Unit: microseconds
#       expr       min         lq      mean    median        uq       max neval cld
# unique(DF) 44708.230 48981.8445 53062.536 51573.276 52844.591 107032.18   100   b
# unique(DT)   746.855   776.6145  2201.657   864.932   919.489  55986.88   100  a 


microbenchmark(duplicated(DF), duplicated(DT))
# Unit: microseconds
#           expr       min         lq       mean     median        uq        max neval cld
# duplicated(DF) 43786.662 44418.8005 46684.0602 44925.0230 46802.398 109550.170   100   b
# duplicated(DT)   551.982   558.2215   851.0246   639.9795   663.658   5805.243   100  a 

您还可以使用dplyr的distinct()功能！它往往比替代选项更有效，尤其是在您有大量观察数据的情况下。

distinct_data <- dplyr::distinct(yourdata)

通用答案可以是例如：

df <-  data.frame(rbind(c(2,9,6),c(4,6,7),c(4,6,7),c(4,6,7),c(2,9,6))))



new_df <- df[-which(duplicated(df)), ]

输出：

      X1 X2 X3
    1  2  9  6
    2  4  6  7

与sqldf：

# Example by Mehdi Nellen
a <- c(rep("A", 3), rep("B", 3), rep("C",2))
b <- c(1,1,2,4,1,1,2,2)
df <-data.frame(a,b)

解：

 library(sqldf)
    sqldf('SELECT DISTINCT * FROM df')

输出：

  a b
1 A 1
2 A 2
3 B 4
4 B 1
5 C 2

或者，您可以使用以下命令将第4列和第5列中的数据嵌套到一行中tidyr：

library(tidyr)
df %>% nest(V4:V5)

# A tibble: 1 × 4
#                      V1    V2    V3             data
#                  <fctr> <int> <int>           <list>
#1 platform_external_dbus   202    16 <tibble [5 × 2]>

现在删除了第2列和第3列重复项以进行统计分析，但是您将第4列和第5列数据保留为小标题，可以使用随时返回到原始数据帧unnest()。

删除数据框的重复行

library(dplyr)
mydata <- mtcars

# Remove duplicate rows of the dataframe
distinct(mydata)

在此数据集中，没有单个重复的行，因此它返回的行数与mydata中的行数相同。

删除基于一个变量的重复行

library(dplyr)
mydata <- mtcars

# Remove duplicate rows of the dataframe using carb variable
distinct(mydata,carb, .keep_all= TRUE)

.keep_all函数用于将所有其他变量保留在输出数据帧中。

基于多个变量删除重复行

library(dplyr)
mydata <- mtcars

# Remove duplicate rows of the dataframe using cyl and vs variables
distinct(mydata, cyl,vs, .keep_all= TRUE)

.keep_all函数用于将所有其他变量保留在输出数据帧中。

（摘自：http : //www.datasciencemadesimple.com/remove-duplicate-rows-r-using-dplyr-distinct-function/）

也可以通过从每个组中选择第一行来解决此问题，其中该组是我们要根据其选择唯一值的列（在共享示例中，它只是第一列）。

使用基数R：

subset(df, ave(V2, V1, FUN = seq_along) == 1)

#                      V1  V2 V3     V4 V5
#1 platform_external_dbus 202 16 google  1

在 dplyr

library(dplyr)
df %>% group_by(V1) %>% slice(1L)

或使用 data.table

library(data.table)
setDT(df)[, .SD[1L], by = V1]

如果我们需要根据多个列查找唯一的行，只需将上述各列的名称添加到分组部分即可。

数据

df <- structure(list(V1 = structure(c(1L, 1L, 1L, 1L, 1L), 
.Label = "platform_external_dbus", class = "factor"), 
V2 = c(202L, 202L, 202L, 202L, 202L), V3 = c(16L, 16L, 16L, 
16L, 16L), V4 = structure(c(1L, 4L, 3L, 5L, 2L), .Label = c("google", 
"hughsie", "localhost", "space-ghost.verbum", "users.sourceforge"
), class = "factor"), V5 = c(1L, 1L, 1L, 8L, 1L)), class = "data.frame", 
row.names = c(NA, -5L))

这里是一个非常简单的，快dplyr/ tidy解决方案：

删除完全相同的行：

library(dplyr)
iris %>% 
  distinct(.keep_all = TRUE)

删除仅在某些列中相同的行：

iris %>% 
  distinct(Sepal.Length, Sepal.Width, .keep_all = TRUE)