在R中与原始观测值一起识别重复项（可能通过聚类）

我怀疑受访者在作弊。我找到了重复的答案，但是如果我只使用duplicated（）和/或unique（）函数，我只能得到重复的（没有原点）或唯一的值（没有重复项）。我想知道哪一个是从哪一个观测中复制出来的。R中是否有一个函数，我可以很容易地找到哪些观察结果具有相同的答案模式

#df
id <- c("l","l","l","p","p","a","a","a")
show <- c("broadway","cats","alladin","broadway","cats","broadway","cats","alladin")
v1 <- c(1,2,2,1,3,1,2,1)
v2 <- c(1,2,2,2,4,1,2,3)
v3 <- c(1,2,2,5,1,1,2,4)
df <- data.frame(id,show,v1,v2,v3); df

由于我对dplyr中使用的语法不是很熟悉，我还有一个问题。看起来像是在数据帧的末尾添加了一列（n），但是如果我将函数另存为对象并请求最后一列，它不会返回n。使用此解决方案，我如何找到返回添加了n列的原始数据帧的方法？这就是使用dplyr包时所需输出的样子：

id_e <- c("l","l","l","a","a")
show_e <- c("broadway","cats","alladin","broadway","cats")
v1_e <- c(1,2,2,1,2)
v2_e <- c(1,2,2,1,2)
v3_e <- c(1,2,2,1,2)
dup_cluster <- c(2,3,3,2,3)
df_expected <- data.frame(id_e,show_e,v1_e,v2_e,v3_e,dup_cluster); df_expected

library(dplyr) 


#filter on n, do not create new column
df %>% group_by(v1, v2, v3) %>% filter(n() > 1)

#filter on n, create new column
df %>% group_by(v1, v2, v3) %>% mutate(n = n()) %>% filter(n > 1)

使用dplyr包：

id_e <- c("l","l","l","a","a")
show_e <- c("broadway","cats","alladin","broadway","cats")
v1_e <- c(1,2,2,1,2)
v2_e <- c(1,2,2,1,2)
v3_e <- c(1,2,2,1,2)
dup_cluster <- c(2,3,3,2,3)
df_expected <- data.frame(id_e,show_e,v1_e,v2_e,v3_e,dup_cluster); df_expected

library(dplyr) 


#filter on n, do not create new column
df %>% group_by(v1, v2, v3) %>% filter(n() > 1)

#filter on n, create new column
df %>% group_by(v1, v2, v3) %>% mutate(n = n()) %>% filter(n > 1)

使用dplyr包：

id_e <- c("l","l","l","a","a")
show_e <- c("broadway","cats","alladin","broadway","cats")
v1_e <- c(1,2,2,1,2)
v2_e <- c(1,2,2,1,2)
v3_e <- c(1,2,2,1,2)
dup_cluster <- c(2,3,3,2,3)
df_expected <- data.frame(id_e,show_e,v1_e,v2_e,v3_e,dup_cluster); df_expected

library(dplyr) 


#filter on n, do not create new column
df %>% group_by(v1, v2, v3) %>% filter(n() > 1)

#filter on n, create new column
df %>% group_by(v1, v2, v3) %>% mutate(n = n()) %>% filter(n > 1)

使用

库（data.table）

我们可以

setDT(df)[, .(.N, id, show) , by=.(v1,v2,v3)][N>1,]

使用

库（data.table）

我们可以

setDT(df)[, .(.N, id, show) , by=.(v1,v2,v3)][N>1,]

---

@nrussell，我不认为这是一个重复的问题，因为这里有多个重复的集群。df[6，]是df[1]（群集1）的副本，df[3，]和df[7，]是df[2]（群集2）的副本。请添加预期的输出。很抱歉，仍在学习堆栈溢出：）。我刚刚添加了一个预期的输出。在base R中，您可以简单地使用

duplicated

和

duplicated

与

fromLast=TRUE

：

df[duplicated（df[，3:5]）duplicated（df[，3:5]，fromLast=TRUE），]

@nrussell，我认为这不是一个重复的问题，因为这里有多个重复集群。df[6，]是df[1]（群集1）的副本，df[3，]和df[7，]是df[2]（群集2）的副本。请添加预期的输出。很抱歉，仍在学习堆栈溢出：）。我刚刚添加了一个预期的输出。在base R中，您可以简单地使用

duplicated

和

duplicated

与

fromLast=TRUE

：

df[duplicated（df[，3:5]）| duplicated（df[，3:5]，fromLast=TRUE），]

Yes！！！！这完全是我需要的。我有一个更大的数据集，现在要把这个函数和那个函数匹配起来。以后可能会有一些问题，但现在：非常感谢！：）好了，它来了。我不太熟悉dplyr中使用的语法。看起来像是在数据帧的末尾添加了一列（n），但是如果我将函数另存为对象并请求最后一列，它不会返回n。使用此解决方案，我如何找到返回添加了n列的原始数据帧的方法？我在最初的问题中提供了一个规范。好的，谢谢大家。我已经上传了我的原始问题，所以它也涉及到最终的解决方案。是的！！！！这完全是我需要的。我有一个更大的数据集，现在要把这个函数和那个函数匹配起来。以后可能会有一些问题，但现在：非常感谢！：）好了，它来了。我不太熟悉dplyr中使用的语法。看起来像是在数据帧的末尾添加了一列（n），但是如果我将函数另存为对象并请求最后一列，它不会返回n。使用此解决方案，我如何找到返回添加了n列的原始数据帧的方法？我在最初的问题中提供了一个规范。好的，谢谢大家。我已经上传了我的原始问题，所以它也涉及到最终的解决方案。