Eliminar columnas con nombres duplicados de un data frame en R

Problema

Queremos eliminar las columnas con nombres duplicados de un data frame en R.

df <- data.frame(a = 1:2, b = 1:2, 
                 c = 1:2, a = 2:3, 
                 a = 2:3, b = 2:3, 
                 check.names = F)

  a b c a a b
1 1 1 1 2 2 2
2 2 2 2 3 3 3

Solución

• Base

df[, !duplicated(df)] # o bien
df[, unique(df)]

 a b c
1 1 1 1
2 2 2 2

• dplyr
Empleamos funciones del paquete base pero evitamos los corchetes para hacerla más legible.

library(dplyr)
df %>% subset(select = !duplicated(names(.))) # o bien
df %>% subset(select = unique(names(.)))

Eliminar de un data frame aquellas filas duplicadas en otro data frame

Problema

Queremos seleccionar las filas de A que no están presentes en in B. El resultado esperado es el data frame C.

A <- structure(list(Var1 = c(1L, 2L, 4L, 4L, 6L), Var2 = c(3L, 5L, 
5L, 5L, 7L), Var3 = c(4L, 6L, 7L, 8L, 9L)), .Names = c("Var1", 
"Var2", "Var3"), class = "data.frame", row.names = c(NA, -5L))
B <- structure(list(Var1 = 1:2, Var2 = c(3L, 5L), Var3 = c(4L, 6L)), .Names = c("Var1", "Var2", "Var3"), class = "data.frame", row.names = c(NA, -2L))

# A
  Var1 Var2 Var3
1    1    3    4
2    2    5    6
3    4    5    7
4    4    5    8
5    6    7    9

# B
  Var1 Var2 Var3
1    1    3    4
2    2    5    6

Resultado esperado

# C
  Var1 Var2 Var3
3    4    5    7
4    4    5    8
5    6    7    9

Solución

Paquete base R

C <- rbind(A, B)
C[!(duplicated(C) | duplicated(C, fromLast = TRUE)), ]

dplyr

library(dplyr)
anti_join(A, B)

sqldf

library(sqldf)
C <- sqldf('SELECT * FROM A EXCEPT SELECT * FROM B')

data.table

library(data.table)
setDT(df1)[!df2, on = names(df1)]

Entradas relacionadas

• 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