dplyr::distinct

dplyr::distinct は、tidyverse コレクションの dplyr パッケージに含まれる関数で、データフレームから重複する行を取り除き、ユニークな行のみを残すために使用される。

base::unique と似たような処理を行うが、dplyr::distinct の方が高速に動作する。

クイックリファレンス

library(tidyverse)

df %>%
  distinct(col1, col2, ...)

penguins %>%
  distinct(species, island)

# # A tibble: 5 × 2
#   species   island
#   <fct>     <fct>
# 1 Adelie    Torgersen
# 2 Adelie    Biscoe
# 3 Adelie    Dream
# 4 Gentoo    Biscoe
# 5 Chinstrap Dream

基本構文

distinct(.data, ..., .keep_all = FALSE)

引数	説明
.data	データフレーム（または tibble）。
...	ユニークな値を留める基準となる列。
.keep_all = FALSE	TRUE に設定すると、指定した列とともに重複していない行のすべての列を保持する。

使用例

1. 全ての列に対する重複の排除

デフォルトの動作は、すべての列にわたる重複の排除である。

penguins %>%
  distinct()

# # A tibble: 344 × 7
#    species island    bill_length_mm bill_depth_mm flipper_length_mm body_mass_g sex
#    <fct>   <fct>              <dbl>         <dbl>             <int>       <int> <fct>
#  1 Adelie  Torgersen           39.1          18.7               181        3750 male
#  2 Adelie  Torgersen           39.5          17.4               186        3800 female
#  3 Adelie  Torgersen           40.3          18                 195        3250 female
#  4 Adelie  Torgersen           NA            NA                  NA          NA NA
#  5 Adelie  Torgersen           36.7          19.3               193        3450 female
#  6 Adelie  Torgersen           39.3          20.6               190        3650 male
#  7 Adelie  Torgersen           38.9          17.8               181        3625 female
#  8 Adelie  Torgersen           39.2          19.6               195        4675 male
#  9 Adelie  Torgersen           34.1          18.1               193        3475 NA
# 10 Adelie  Torgersen           42            20.2               190        4250 NA
# # ℹ 334 more rows
# # ℹ Use `print(n = ...)` to see more rows

2. 特定の列を基準に重複の排除

特定の列を基準に重複の排除を行いたい場合には、その列名を引数として渡す。

penguins %>%
  distinct(species)

# # A tibble: 3 × 1
#   species
#   <fct>
# 1 Adelie
# 2 Gentoo
# 3 Chinstrap

3. 重複排除後、全ての列のデータを保持

重複排除を行った結果、全ての列のデータを保持したい場合は .keep_all パラメータを TRUE に設定する。

このとき、指定された列でユニークな値を持つ最初に出現した行が保持される。

penguins %>%
  distinct(species, .keep_all = TRUE)

# # A tibble: 3 × 7
#   species   island    bill_length_mm bill_depth_mm flipper_length_mm body_mass_g sex
#   <fct>     <fct>              <dbl>         <dbl>             <int>       <int> <fct>
# 1 Adelie    Torgersen           39.1          18.7               181        3750 male
# 2 Gentoo    Biscoe              46.1          13.2               211        4500 female
# 3 Chinstrap Dream               46.5          17.9               192        3500 female