在R中生成唯一子字符串表

因此，我有一个非常大的数据集，我想知道一个列的唯一值，该列有大约400000个观察值，每个观察值如下所示：

标识符：abzcd:def:RANDOMNUMBERSTRING

和

标识符：de:ghijklm:RANDOMNUMBERSTRING

。 我只希望随机数字符串之前的部分具有唯一匹配项。换句话说，我只想过滤掉代码的重复项：

identifier:LETTERS:LETTERS

unique

函数不起作用，看起来我需要确切地知道要过滤哪些子字符串，或者子字符串要使用

substr

函数多长时间。关于我如何做到这一点有什么建议吗

以下是一些可用作模型的数据：

randz <- data.frame(id =
                      sprintf("identifier:%s%s%s:%s%s%s:%s",
                 sample(letters, 1000,replace = T ),
                 sample(letters, 1000,replace = T ),
                 sample(letters, 1000,replace = T ),
                 sample(letters, 1000,replace = T ),
                 sample(letters, 1000,replace = T ),
                 sample(letters, 1000,replace = T ),
                 sample(6000:7000, 1000, replace = T )))
randz

---

randz这里有一个使用
tidyverse

# Fake Data
randz <- data.frame(id =
                      sprintf("identifier:%s%s%s:%s%s%s:%s",
                 sample(letters, 1000,replace = T ),
                 sample(letters, 1000,replace = T ),
                 sample(letters, 1000,replace = T ),
                 sample(letters, 1000,replace = T ),
                 sample(letters, 1000,replace = T ),
                 sample(letters, 1000,replace = T ),
                 sample(6000:7000, 1000, replace = T )))

输出：

A tibble: 1,000 x 2
   out                    n
   <chr>              <int>
 1 identifier:aar:muk     1
 2 identifier:abe:tlo     1
 3 identifier:abg:qux     1
 4 identifier:abh:bxx     1
 5 identifier:abl:vdj     1

A tible:1000 x 2
外
1标识符：aar:muk 1
2标识符：abe:tlo 1
3标识符：abg:qux 1
4标识符：abh:bxx 1
5标识符：abl:vdj 1
您可以使用正则表达式提取它们。下面是一个使用
stringr
包的示例

str\u extract（“标识符：de:ghijklm:RANDOMNUMBERSTRING”，“标识符\\:[a-z]+\\:[a-z]+）”）

A tibble: 1,000 x 2
   out                    n
   <chr>              <int>
 1 identifier:aar:muk     1
 2 identifier:abe:tlo     1
 3 identifier:abg:qux     1
 4 identifier:abh:bxx     1
 5 identifier:abl:vdj     1