在R中的列中标识重复的字符串

我有一个4列3000行的数据框。我的目标是检查每一行的列中是否有四个不同的字符串。例如：

第一排：希腊-俄罗斯-西班牙-荷兰
第二排：英格兰-德国-德国-伊朗
第三排：荷兰-荷兰-英国-希腊

因此，R应该给我第2行和第3行，因为有重复项。

---

这可能吗？提前感谢。

我们可以使用

apply

和

MARGIN=1

循环行，检查每行

唯一的
元素的
长度是否不等于数据集的列数，以获得逻辑向量，这可用于对数据集的行进行子集，该数据集的行中至少有一个重复项

df1[apply(df1, 1, FUN = function(x) length(unique(x)))!=ncol(df1),]
#       col1        col2    col3   col4
#2     England     Germany Germany   Iran
#3 Netherlands Netherlands Britain Greece


另一个选择是基于正则表达式的方法（应该更快），其中我们
粘贴
每行的元素，并
grep
使用正则表达式获取重复字符串行的索引，以将行子集

df1[grep("(\\b\\S+\\b)(?=.*\\1+)", do.call(paste, df1), perl = TRUE),]
#          col1        col2    col3   col4
# 2     England     Germany Germany   Iran
# 3 Netherlands Netherlands Britain Greece

基准
df2我们可以使用
apply
和
MARGIN=1
循环行，检查每行
唯一的
元素的
长度是否不等于数据集的列数，以获得逻辑向量，这可用于对数据集的行进行子集，该数据集的行中至少有一个重复项

df1[apply(df1, 1, FUN = function(x) length(unique(x)))!=ncol(df1),]
#       col1        col2    col3   col4
#2     England     Germany Germany   Iran
#3 Netherlands Netherlands Britain Greece


另一个选择是基于正则表达式的方法（应该更快），其中我们
粘贴
每行的元素，并
grep
使用正则表达式获取重复字符串行的索引，以将行子集

df1[grep("(\\b\\S+\\b)(?=.*\\1+)", do.call(paste, df1), perl = TRUE),]
#          col1        col2    col3   col4
# 2     England     Germany Germany   Iran
# 3 Netherlands Netherlands Britain Greece

基准
df2使用
dplyr
和
tidyr

library(dplyr)
library(tidyr)

df_new <- df %>% 
    mutate(row = row_number()) %>% 
    gather(key, value, -row) %>% 
    group_by(row, value) %>% 
    mutate(n = n()) %>% 
    mutate(duplicate = ifelse(n > 1, TRUE, FALSE)) %>%
    # STOP HERE IF YOU WANT TO SEE DUPLICATES 
    filter(duplicate == TRUE) %>% 
    ungroup() %>% 
    # RUN DISTINCT IF YOU JUST WANT TO SEE ROWS WITH DUPES
    distinct(row)

库（dplyr）
图书馆（tidyr）
df_新%
变异（行=行编号（））%>%
聚集（键，值，-行）%>%
分组依据（行，值）%>%
变异（n=n（））%>%
突变（重复=ifelse（n>1，真，假））%>%
#如果你想看到重复的，请停在这里
筛选器（重复==TRUE）%>%
解组（）%>%
#如果只想查看包含重复项的行，请运行DISTINCT
不同（行）

具有3000行的基准测试

dfL <- Reduce(rbind, list(df)[rep(1L, times=1000)])
system.time( ... )
#  user  system elapsed 
# 0.004   0.000   0.004 

dfL使用
dplyr
和
tidyr

library(dplyr)
library(tidyr)

df_new <- df %>% 
    mutate(row = row_number()) %>% 
    gather(key, value, -row) %>% 
    group_by(row, value) %>% 
    mutate(n = n()) %>% 
    mutate(duplicate = ifelse(n > 1, TRUE, FALSE)) %>%
    # STOP HERE IF YOU WANT TO SEE DUPLICATES 
    filter(duplicate == TRUE) %>% 
    ungroup() %>% 
    # RUN DISTINCT IF YOU JUST WANT TO SEE ROWS WITH DUPES
    distinct(row)

库（dplyr）
图书馆（tidyr）
df_新%
变异（行=行编号（））%>%
聚集（键，值，-行）%>%
分组依据（行，值）%>%
变异（n=n（））%>%
突变（重复=ifelse（n>1，真，假））%>%
#如果你想看到重复的，请停在这里
筛选器（重复==TRUE）%>%
解组（）%>%
#如果只想查看包含重复项的行，请运行DISTINCT
不同（行）

具有3000行的基准测试

dfL <- Reduce(rbind, list(df)[rep(1L, times=1000)])
system.time( ... )
#  user  system elapsed 
# 0.004   0.000   0.004 

dfL@akrun您是100%对的，但是3000行的代码非常友好：）可能是，但是您需要写的行数还是有点让我担心。@akrun您是100%对的，但是3000行的代码非常友好：）可能是，但是您需要写的行数还是有点让我担心。谢谢。我尝试了第一个版本（apply），效果非常好。不幸的是，我有多个NA值。不应列出重复的NAs。所以如果一排是英国-德国-不-不，我不想看到这一排。如果您能解决这个问题，我将非常高兴。@Lilly我们可以创建一个逻辑索引，将该行中没有NAs的行子集，即
i1在这种情况下，不会识别像“Britain-Britain-NA-NA”（重复记录-Britain）这样的行，但我想列出这些情况。。。对不起，有点复杂。@Lilly Try
df1[apply（df1，1，FUN=function（x）{x1谢谢。我试了第一个版本（apply）很遗憾，我有多个NA值。不应列出重复的NAs。因此，如果一行是英国-德国-NA-NA，我不想看到这一行。如果您能解决此问题，我将非常高兴。@Lilly我们可以创建一个逻辑索引，将该行中没有NAs的行子集，即此ca中的
i1se，像“Britain-Britain-NA-NA”（复制记录-Britain）这样的行无法识别，但我想列出这些案例……对不起，这有点复杂。@Lilly Try
df1[apply（df1，1，FUN=function（x）{x1