R Different () не удаляет дубликаты - PullRequest
Новая
       64

R Different () не удаляет дубликаты

0 голосов
/ 01 мая 2020

Я уже давно борюсь с этим. Как часть большого for-l oop, вы хотите убрать несколько точек данных, чтобы иметь возможность создавать вогнутую оболочку вокруг результирующих точек (требуется минимум 4 точки). Для этого у меня есть строка, которая гарантирует, что кластеры, в которых значения x или y равны ВСЕМ, имеют одинаковое значение, а также кластеры с менее чем 4 строками. Однако может также случиться, что некоторые точки (не все) в кластере являются дубликатами, в результате чего кластер будет иметь> = 4 строки, но фактические точки не будут> = 4. Чтобы удалить эти дубликаты, я использую Different (), но иногда это не удаляет дубликаты, как в приведенном ниже примере кадра данных. Любая идея, как эффективно убрать эти дубликаты?

Пример данных 

SP_occ <- structure(list(x = c(-28.212197, -130.758, -15, 47.549999, -29.346937, 
-27.794644, -124.8, 47.416698, 47.75, -15.566667, 178.73, -29.344852, 
175.432999, 47.75, 87, -10, 55.666668, 46.533, 47, 114.75, -29.356563, 
87, 46, -128.296, -9, 154.21667, 47.549999, 47.549999, 87, -72.133301, 
-157.89167, -23.055, 87, 46.366665, 55.45, 122.932999, -28.991, 
153.216995, -29.35066, -29.122, 47.75, 123.967003, 121.5, 27.4167, 
-27.96666, 47.266701, 87, 87, 47.583302, 114.75, -26.610647, 
-26.589459, -10, 87, 122.949997, 47.583302, 125.400002, -15.533334, 
-25.239904, 45.533, -28.295, 47.416698, 46, 52.0833, 87, 172.932999, 
47.75, 5.4629, 121.667, 27.4167, -29.344852, -29.346937, -29.356563, 
-9.387, -28.212197, -27.794644, 154.216667, -28.991, -28.991, 
-29.35066, -25.239904, -26.610647, -26.589459, -27.96666, -15, 
87, 87, 87, 87, 87, 87, 87, 87, 87, 87, 87, 52.0833, 45.533, 
46.533, 114.75, -10, -15.533333, -15.566667, 178.73, -9.5, -9.466667, 
-9.466667, -9.466667, -9.466667, -9.466667, -9.466667, -8.916667, 
-8.916667, -9.083333, 152.756836, 138.74492, -9.321667, 5.4629, 
139.416667, 55.666668), y = c(38.659904, -23.931, 55, -38.366699, 
38.681605, 39.000465, -24.68, -38.349998, -38.650002, 28.183332, 
-38.65, 38.68313, -28.1833, -38.650002, -27, 46, -4.582778, -39.033, 
-9, -35, 38.671144, -27, -12, -24.328, 56, -20.85, -38.366699, 
-38.9333, -27, 40.966702, 21.391684, 16.5667, -27, -9.416667, 
-4.766666, 24.5, 42.497, -20.85, 37.997214, 42.432, -38.583302, 
24.0667, -11, -33.3167, 38.962846, -38.950001, -27, -27, -38.966702, 
-35, 40.341647, 40.357008, 46, -27, 24.299999, -38.966702, 24.5833, 
28.266666, 37.900563, -40.416, 29.891666, -38.349998, -9, -36.5833, 
-27, -28.5667, -38.583302, -26.1297, -11, -33.3167, 38.68313, 
38.681605, 38.671144, 57.245, 38.659904, 39.000465, -20.85, 42.497, 
42.497, 37.997214, 37.900563, 40.341647, 40.357008, 38.962846, 
55, -27, -27, -27, -27, -27, -27, -27, -27, -27, -27, -27, -36.5833, 
-40.416, -39.033, -35, 46, 28.266667, 28.183333, -38.65, 55.733333, 
55.666667, 55.666667, 55.666667, 55.666667, 55.666667, 55.666667, 
58.583333, 58.583333, 56.691667, -33.054223, 34.908889, 38.285, 
-26.1297, 35.25, -4.582778), cluster = c(1L, 2L, 3L, 4L, 5L, 
1L, 6L, 4L, 4L, 7L, 8L, 5L, 9L, 4L, 10L, 11L, 12L, 13L, 14L, 
15L, 5L, 10L, 16L, 17L, 18L, 19L, 4L, 4L, 10L, 20L, 21L, 22L, 
10L, 23L, 12L, 24L, 25L, 26L, 27L, 25L, 4L, 28L, 29L, 30L, 1L, 
4L, 10L, 10L, 4L, 15L, 31L, 31L, 11L, 10L, 24L, 4L, 32L, 7L, 
33L, 34L, 35L, 4L, 36L, 37L, 10L, 38L, 4L, 39L, 29L, 30L, 5L, 
5L, 5L, 40L, 1L, 1L, 19L, 25L, 25L, 27L, 33L, 31L, 31L, 1L, 3L, 
10L, 10L, 10L, 10L, 10L, 10L, 10L, 10L, 10L, 10L, 10L, 37L, 34L, 
13L, 15L, 11L, 7L, 7L, 8L, 41L, 41L, 41L, 41L, 41L, 41L, 41L, 
42L, 42L, 43L, 44L, 45L, 46L, 39L, 47L, 12L)), row.names = c(1L, 
2L, 3L, 4L, 5L, 6L, 7L, 8L, 9L, 10L, 11L, 12L, 13L, 14L, 15L, 
16L, 17L, 18L, 19L, 20L, 21L, 22L, 23L, 24L, 25L, 26L, 27L, 28L, 
29L, 30L, 31L, 32L, 33L, 34L, 35L, 36L, 37L, 38L, 39L, 40L, 41L, 
42L, 43L, 44L, 45L, 46L, 47L, 48L, 49L, 50L, 51L, 52L, 53L, 54L, 
55L, 56L, 57L, 58L, 59L, 60L, 61L, 62L, 63L, 64L, 65L, 66L, 67L, 
68L, 69L, 70L, 74L, 75L, 76L, 77L, 78L, 79L, 80L, 81L, 82L, 83L, 
84L, 85L, 86L, 87L, 88L, 89L, 90L, 91L, 92L, 93L, 94L, 95L, 96L, 
97L, 98L, 99L, 100L, 101L, 103L, 105L, 106L, 107L, 108L, 109L, 
111L, 112L, 113L, 114L, 115L, 116L, 117L, 118L, 119L, 120L, 123L, 
125L, 126L, 135L, 136L, 141L), class = "data.frame")

Код 

SP_occ  <- SP_occ %>% distinct()
SP_occ  <- SP_occ %>% group_by(cluster) %>% filter(!(n_distinct(round(x, 6)) == 1 || n_distinct(round(y, 6)) == 1) && n() >= 4)
SP_occ  <- SP_occ[SP_occ$cluster != 0,]
SP_occ$Cluster <- SP_occ %>% group_indices(cluster)
SP_occ         <- SP_occ[, c(1,2,4)]

Ответы [ 2 ]

0 голосов
/ 01 мая 2020

Результат, который я получаю - DF ниже. Кластер 2 состоит из 4 пунктов, из которых 2 на самом деле уникальны. 

    x           y           Cluster
1   47.55000    -38.36670   1
2   47.41670    -38.35000   1
3   47.75000    -38.65000   1
4   -15.56667   28.18333    2
5   47.55000    -38.93330   1
6   47.75000    -38.58330   1
7   47.26670    -38.95000   1
8   47.58330    -38.96670   1
9   -15.53333   28.26667    2
10  -15.53333   28.26667    2
11  -15.56667   28.18333    2
0 голосов
/ 01 мая 2020

Не могли бы вы объяснить, какие записи в вашем примере являются проблемой, на которую вы ссылаетесь? После использования distinct() в ваших данных не осталось точных дубликатов. Если вы хотите удалить записи, которые «почти» идентичны (очень небольшие числовые различия), вы можете подумать: 

SP_occ  <- SP_occ %>% 
  mutate(x = round(x,5),
         y = round(y,5)) %>% 
  distinct()
...