时间戳

首页 > 解决方案 > 从R中的数据框的列中删除文本字符串中的重复数字

r - 从R中的数据框的列中删除文本字符串中的重复数字

问题描述

我有这个例子：

df <- structure(list(PdivR = c(0.93, 0.92, 0.97, 1.07, 1.08, 1.02, 
0.95, 0.92, 1.19, 0.99, 0.92, 1.02, 1.02, 0.88, 1.13, 0.97, 0.86, 
1.06, 0.98, 0.97, 1, 1.01, 0.96, 1.01, 1.02, 1.04, 0.98, 1.06, 
1.05, 0.97, 1.13, 0.97, 0.87, 1.06, 0.94, 1.03, 1.11, 1.11, 0.97, 
0.94, 1.05, 1, 0.94, 1.02, 1.04, 0.87, 1.17, 0.98, 0.95, 1.04, 
0.96, 0.99, 1.07, 1.04, 0.95, 1.01, 0.9, 1.09, 0.91, 1.02, 1.08, 
1.04, 1.1, 0.99, 0.84, 1.04, 1.05), Regression = c("TLC~8+8+10+10", 
"TLC~8+8+10+10", "TLC~8+8+10+10", "TLC~8+8+10+10", "TLC~8+8+10+10", 
"TLC~8+8+10+10", "TLC~8+8+10+10", "TLC~8+8+10+10", "TLC~8+8+10+10", 
"TLC~8+8+10+10", "TLC~8+8+10+10", "TLC~8+8+10+10", "TLC~8+8+10+10", 
"TLC~8+8+10+10", "TLC~8+8+10+10", "TLC~9+9+10+10", "TLC~9+9+10+10", 
"TLC~9+9+10+10", "TLC~9+9+10+10", "TLC~9+9+10+10", "TLC~9+9+10+10", 
"TLC~9+9+10+10", "TLC~9+9+10+10", "TLC~9+9+10+10", "TLC~9+9+10+10", 
"TLC~9+9+10+10", "TLC~9+9+10+10", "TLC~9+9+10+10", "TLC~9+9+10+10", 
"TLC~9+9+10+10", "TLC~9+9+10+10", "TLC~9+9+10+10", "TLC~9+9+10+10", 
"TLC~9+9+10+10", "TLC~9+9+10+10", "TLC~9+9+10+10", "TLC~9+9+10+10", 
"TLC~9+9+10+10", "TLC~9+9+10+10", "TLC~9+9+10+10", "TLC~9+9+10+10", 
"TLC~9+9+10+10", "TLC~9+9+10+10", "TLC~9+9+10+10", "TLC~9+9+10+10", 
"TLC~9+9+10+10", "TLC~9+9+10+10", "TLC~7+7+8+8+9+9", "TLC~7+7+8+8+9+9", 
"TLC~7+7+8+8+9+9", "TLC~7+7+8+8+9+9", "TLC~7+7+8+8+9+9", "TLC~7+7+8+8+9+9", 
"TLC~7+7+8+8+9+9", "TLC~7+7+8+8+9+9", "TLC~7+7+8+8+9+9", "TLC~7+7+8+8+9+9", 
"TLC~7+7+8+8+9+9", "TLC~7+7+8+8+9+9", "TLC~7+7+8+8+9+9", "TLC~7+7+8+8+9+9", 
"TLC~7+7+8+8+9+9", "TLC~7+7+8+8+9+9", "TLC~7+7+8+8+9+9", "TLC~7+7+8+8+9+9", 
"TLC~7+7+8+8+9+9", "TLC~7+7+8+8+9+9")), row.names = 1234:1300, class = "data.frame")

可以在数据框中显示

head(df)
     PdivR    Regression
1234  0.93 TLC~8+8+10+10
1235  0.92 TLC~8+8+10+10
1236  0.97 TLC~8+8+10+10
1237  1.07 TLC~8+8+10+10
1238  1.08 TLC~8+8+10+10
1239  1.02 TLC~8+8+10+10

如果我们将注意力集中在 列上Regression，我们会发现数字是重复的 ( TLC~8+8+10+10)。

如何以时尚的方式删除这些重复的数字，以便Regression正确配置列？在前面的示例中，正确的值将是TLC~8+10

标签： rdataframeduplicates

解决方案

我们可能会使用

df$Regression <- gsub("(\\d+\\+)\\1+", "\\1",
      gsub("(\\+\\d+)\\1+", "\\1", df$Regression))

或者也可以使用strsplit

df$Regression <- sapply(strsplit(df$Regression, "[[:punct:]]"), 
   function(x) deparse(reformulate(unique(x)[-1], response = x[1])))

推荐阅读