使用data.table按组显示重复项

Question

我正在尝试使用data.table按组显示重复项。 更具体地说，我想找出在给定年份内一个国家是否有多个观测值。 这是一个样本数据集：

# load data.table package, assuming it's installed
library(data.table)

# create dataset
year    <- rep(2010:2012, 3)
country <- c(rep("A", 3), rep("B", 3), rep("C", 3))
value   <- sample(2:200, 9, replace = TRUE)
df <- cbind(year, country, value)
df <- rbind(df, c(2012, "C", 20))
df # show data

# put data frame in data.table format and set year as key
dt <- data.table(df)
setkey(dt, year)

请注意，对于2012年，国家“C”有两个观测值，而所有其他国家的观测值按年份唯一。

我原以为以下代码将为我提供重复的国家和年份名称：

dt[duplicated(country), country, by = year]

相反，它显示了从2011年起的所有数据，这意味着重复的函数被应用于整个数据表而不是按年份。如果我想使用data.table提取2012年国家“C”的单个重复值，该怎么做？

- Richard

Answer 1

只需将 country 添加到您的 setkey 中，然后在 dt 中使用 duplicated(dt) 即可。

setkey(dt, year, country)
dt[duplicated(dt)]
#    year country value
# 1: 2012       C    20

如果您只想显示国家，请使用以下代码：

dt[duplicated(dt), country]
## [1] "C"

如果您不想键入数据集（例如，如果您想保留顺序），则可以在duplicated的by参数中指定要区分的列。

dt[duplicated(dt, by = c("year", "country")), country]
## [1] "C"

编辑:

自v1.9.8版本以来，所有列都在by中使用（而不是键），因此，如果数据表已经被键化，则需要显式传递by = key(dt)。

dt[duplicated(dt, by = key(dt))]

- David Arenburg

---

使用dplyr（library(dplyr)），您可以执行dt %>% count(country, year) %>% filter(n > 1)或dt %>% select(country, year) %>% filter(duplicated(.))。 - talat

另一个更直接的选项是：dt[, .SD[duplicated(country)], by = year]。 - eddi