Eliminar duplicados de un data frame basándonos en dos columnas en R

Problema

Queremos eliminar las filas duplicadas, considerando éstas como aquellas que tienen el mismo valor en las columnas col1 y col2 ignorando su orden. En el siguiente ejemplo solamente conservaríamos una fila.

  Col1 Col2 database
1    A    B   IntAct
2    A    B     Bind
3    B    A  BioGrid

df <- structure(list(Col1 = c("A", "A", "B"), Col2 = c("B", "B", "A"
), database = c("IntAct", "Bind", "BioGrid")), .Names = c("Col1", 
"Col2", "database"), class = "data.frame", row.names = c(NA, 
-3L))

Solución

Emplearemos el paquete sqldf.

Primera fila

En el caso de querer conservar la primera fila. Creamos una columna id para identificar la primera ocurrencia.

library(sqldf)
df$id <- seq.int(nrow(df))
sqldf("select col1, col2, database, min(id) id
      from (select col1, col2, database, id from df where col1 <= col2
      union all
      select col2 col1, col1 col2, database, id from df where col1 > col2) 
      group by col1, col2")

  col1 col2 database id
1    A    B   IntAct  1

Última fila

En el caso de querer conservar la última fila. En este caso el código es más conciso pues no necesitamos crear una columna para identificar la primera ocurrencia.

sqldf("select col1, col2, database 
      from (select col1, col2, database from df where col1 <= col2 
      union all 
      select col2 col1, col1 col2, database from df where col1 > col2) 
      group by col1, col2")

 col1 col2 database
1    A    B  BioGrid

Entradas relacionadas

• Eliminar de un data frame aquellas filas duplicadas en otro data frame
• Eliminar duplicados de un data frame en R
• Seleccionar con sqldf un subconjunto de filas de una columna en un data frame diferente

Referencias

• stackoverflow

Eliminar duplicados de un data frame en R

Problema

Deseamos eliminar los duplicados de un data frame en R.

Solución

Disponemos de múltiples opciones. Emplearemos como ejemplo el conjunto de datos iris que contiene dos filas duplicadas: la 102 y la 143

Paquete base

Detectamos los duplicados.

# De arriba a abajo
anyDuplicated(iris) # Número de fila
iris[duplicated(iris), ]  # Fila

    Sepal.Length Sepal.Width Petal.Length Petal.Width   Species
143          5.8         2.7          5.1         1.9 virginica

# De abajo a arriba
anyDuplicated(iris, fromLast = TRUE)
iris[duplicated(iris, fromLast = TRUE), ]

    Sepal.Length Sepal.Width Petal.Length Petal.Width   Species
102          5.8         2.7          5.1         1.9 virginica

Eliminamos los duplicados.

unique(iris)
iris[!duplicated(iris), ]
# En orden inverso
unique(iris, fromLast = TRUE)
iris[!duplicated(iris, fromLast = TRUE), ]

Paquete dplyr

library(dplyr)
iris %>% distinct

Paquete sqldf

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

Notas

Usando el paquete base veremos que conserva el número de filas —150— aunque observaremos, dependiendo del orden que hayamos escogido, que la fila 102 o 143 habrá desaparecido. En cambio con dplyr y sqldf, el resultado numera de nuevo las filas, mostrando la última con el número 149.

Entradas relacionadas

• Cómo comparar dos data frames en R