Select only columns that have no duplicates considering groups

I have a rather large dataset with both long and short data inside: some columns have unique value given a subject and a visit, while other have multiple values.

The short data is duplicated to match the format of the long data, so that for some arbitrary number of columns the data have duplicated rows.

I’m looking for a way to automatically identify these columns and then shorten the dataset.

I already have a working solution but the code is very slow.

Is there a way to make it faster?

Ideally, the solution should also use the tidyverse and be contained in one pipeline.

Here is a reprex:

library(tidyverse)

#overly complicated data generation to match mine
n_id = 200
n_visit = 15
r = 20
N = n_id*n_visit*r
df = tibble(
  id=rep(1:n_id, each=n_visit*r),
  visit=rep(paste0("v", 1:n_visit), times=n_id*r),
) %>% 
  mutate(
    !!!set_names(rep(NA, 50), paste0("short",1:50)),
    !!!set_names(rep(NA, 50), paste0("long",1:50)),
    across(starts_with("short"), ~visit),
    across(starts_with("long"), ~rnorm(n())),
) %>% 
  arrange(id, visit)

df %>% summarise(a=length(unique(short1)), .by=c(id, visit)) %>% pull() %>% unique()
#> [1] 1
df %>% summarise(a=length(unique(long1)), .by=c(id, visit)) %>% pull() %>% unique()
#> [1] 20


#expected output
a = df %>% 
  summarise(across(everything(), ~length(unique(.x))), .by=c(id, visit))  %>% 
  select(id, visit, where(~all(.x==1))) %>% 
  names()

df %>% 
  select(all_of(a)) %>% 
  distinct()
#> # A tibble: 3,000 × 52
#>       id visit short1 short2 short3 short4 short5 short6 short7 short8 short9
#>    <int> <chr> <chr>  <chr>  <chr>  <chr>  <chr>  <chr>  <chr>  <chr>  <chr> 
#>  1     1 v1    v1     v1     v1     v1     v1     v1     v1     v1     v1    
#>  2     1 v10   v10    v10    v10    v10    v10    v10    v10    v10    v10   
#>  3     1 v11   v11    v11    v11    v11    v11    v11    v11    v11    v11   
#>  4     1 v12   v12    v12    v12    v12    v12    v12    v12    v12    v12   
#>  5     1 v13   v13    v13    v13    v13    v13    v13    v13    v13    v13   
#>  6     1 v14   v14    v14    v14    v14    v14    v14    v14    v14    v14   
#>  7     1 v15   v15    v15    v15    v15    v15    v15    v15    v15    v15   
#>  8     1 v2    v2     v2     v2     v2     v2     v2     v2     v2     v2    
#>  9     1 v3    v3     v3     v3     v3     v3     v3     v3     v3     v3    
#> 10     1 v4    v4     v4     v4     v4     v4     v4     v4     v4     v4    
#> # ℹ 2,990 more rows
#> # ℹ 41 more variables: short10 <chr>, short11 <chr>, short12 <chr>,
#> #   short13 <chr>, short14 <chr>, short15 <chr>, short16 <chr>, short17 <chr>,
#> #   short18 <chr>, short19 <chr>, short20 <chr>, short21 <chr>, short22 <chr>,
#> #   short23 <chr>, short24 <chr>, short25 <chr>, short26 <chr>, short27 <chr>,
#> #   short28 <chr>, short29 <chr>, short30 <chr>, short31 <chr>, short32 <chr>,
#> #   short33 <chr>, short34 <chr>, short35 <chr>, short36 <chr>, …

Created on 2024-07-18 with reprex v2.1.0

Although, fast is subjective but I really doubt if dplyr is the right tool to make anything faster.

I have recently started exploring collapse package which is also faster in many cases. The syntax is very similar to dplyr so it is easy to get started.

temp_df <- df |> 
    fgroup_by(id, visit) |>
    fsummarise(across(short1:long50, (x) fnunique(x))) 
  
get_vars(df, c(TRUE, TRUE, dapply(temp_df[-c(1:2)], (x) all(x == 1)))) |>
    funique()

# A tibble: 3,000 × 52
#      id visit short1 short2 short3 short4 short5 short6 short7 short8 short9
#   <int> <chr> <chr>  <chr>  <chr>  <chr>  <chr>  <chr>  <chr>  <chr>  <chr> 
# 1     1 v1    v1     v1     v1     v1     v1     v1     v1     v1     v1    
# 2     1 v10   v10    v10    v10    v10    v10    v10    v10    v10    v10   
# 3     1 v11   v11    v11    v11    v11    v11    v11    v11    v11    v11   
# 4     1 v12   v12    v12    v12    v12    v12    v12    v12    v12    v12   
# 5     1 v13   v13    v13    v13    v13    v13    v13    v13    v13    v13   
# 6     1 v14   v14    v14    v14    v14    v14    v14    v14    v14    v14   
# 7     1 v15   v15    v15    v15    v15    v15    v15    v15    v15    v15   
# 8     1 v2    v2     v2     v2     v2     v2     v2     v2     v2     v2    
# 9     1 v3    v3     v3     v3     v3     v3     v3     v3     v3     v3    
#10     1 v4    v4     v4     v4     v4     v4     v4     v4     v4     v4    
# ℹ 2,990 more rows
# ℹ 41 more variables: short10 <chr>, short11 <chr>, short12 <chr>,
#   short13 <chr>, short14 <chr>, short15 <chr>, short16 <chr>, short17 <chr>,
#   short18 <chr>, short19 <chr>, short20 <chr>, short21 <chr>, short22 <chr>,
#   short23 <chr>, short24 <chr>, short25 <chr>, short26 <chr>, short27 <chr>,
#   short28 <chr>, short29 <chr>, short30 <chr>, short31 <chr>, short32 <chr>,
#   short33 <chr>, short34 <chr>, short35 <chr>, short36 <chr>, …
# ℹ Use `print(n = ...)` to see more rows

We can compare the solutions now.

library(collapse)
library(data.table)
library(dplyr)

df_copy <- copy(df)
collapse_function <- function(df) {
  temp_df <- df |> 
    fgroup_by(id, visit) |>
    fsummarise(across(short1:long50, (x) fnunique(x))) 
  
  get_vars(df, c(TRUE, TRUE, dapply(temp_df[-c(1:2)], (x) all(x == 1)))) |>
    funique()
  
}
 
dplyr_function <- function(df) {
  a = df %>% 
    summarise(across(everything(), ~length(unique(.x))), .by=c(id, visit))  %>% 
    select(id, visit, where(~all(.x==1))) %>% 
    names()
  
  df %>% 
    select(all_of(a)) %>% 
    distinct() 
}

data.table_function <- function(df) {
  u <- uniqueN(setDT(df)[,id:visit])
  a2 <- names(df)[c(TRUE, TRUE, sapply(3:ncol(df), (i) {i <- c(1:2, i); uniqueN(df[,..i]) == u}))]
  unique(df[, ..a2])
}

When comparing against different solutions it fares well against dplyr solution but falls short than data.table. This could also because I am still learning this package and don’t know the best functions to do the job.

microbenchmark::microbenchmark(
  dplyr = dplyr_function(df), 
  data.table = data.table_function(df_copy), 
  collapse = collapse_function(df), 
  times = 10L
)

#Unit: milliseconds
#       expr       min        lq      mean    median        uq       max neval
#      dplyr 2528.2535 2777.8296 2895.0289 2898.4619 2958.9916 3444.3321    10
# data.table  477.6706  498.5118  538.4991  519.4035  529.3705  686.3118    10
#   collapse  589.5543  601.7683  688.7736  616.8076  805.4987  933.2496    10

1

Using data.table::uniqueN is a bit faster.

library(data.table)
system.time({
  u <- uniqueN(setDT(df)[,id:visit])
  a2 <- names(df)[c(TRUE, TRUE, sapply(3:ncol(df), (i) {i <- c(1:2, i); uniqueN(df[,..i]) == u}))]
})
#>    user  system elapsed 
#>    0.61    0.09    0.45

Compare to:

#expected output
system.time(
  a <- df %>% 
    summarise(across(everything(), ~length(unique(.x))), .by=c(id, visit))  %>% 
    select(id, visit, where(~all(.x==1))) %>% 
    names()
)
#>    user  system elapsed 
#>    1.86    0.12    1.98

identical(a, a2)
#> [1] TRUE

1

Trang chủ Giới thiệu Sinh nhật bé trai Sinh nhật bé gái Tổ chức sự kiện Biểu diễn giải trí Dịch vụ khác Trang trí tiệc cưới Tổ chức khai trương Tư vấn dịch vụ Thư viện ảnh Tin tức - sự kiện Liên hệ Chú hề sinh nhật Trang trí YEAR END PARTY công ty Trang trí tất niên cuối năm Trang trí tất niên xu hướng mới nhất Trang trí sinh nhật bé trai Hải Đăng Trang trí sinh nhật bé Khánh Vân Trang trí sinh nhật Bích Ngân Trang trí sinh nhật bé Thanh Trang Thuê ông già Noel phát quà Biểu diễn xiếc khỉ Xiếc quay đĩa Dịch vụ tổ chức sự kiện 5 sao Thông tin về chúng tôi Dịch vụ sinh nhật bé trai Dịch vụ sinh nhật bé gái Sự kiện trọn gói Các tiết mục giải trí Dịch vụ bổ trợ Tiệc cưới sang trọng Dịch vụ khai trương Tư vấn tổ chức sự kiện Hình ảnh sự kiện Cập nhật tin tức Liên hệ ngay Thuê chú hề chuyên nghiệp Tiệc tất niên cho công ty Trang trí tiệc cuối năm Tiệc tất niên độc đáo Sinh nhật bé Hải Đăng Sinh nhật đáng yêu bé Khánh Vân Sinh nhật sang trọng Bích Ngân Tiệc sinh nhật bé Thanh Trang Dịch vụ ông già Noel Xiếc thú vui nhộn Biểu diễn xiếc quay đĩa Dịch vụ tổ chức tiệc uy tín Khám phá dịch vụ của chúng tôi Tiệc sinh nhật cho bé trai Trang trí tiệc cho bé gái Gói sự kiện chuyên nghiệp Chương trình giải trí hấp dẫn Dịch vụ hỗ trợ sự kiện Trang trí tiệc cưới đẹp Khởi đầu thành công với khai trương Chuyên gia tư vấn sự kiện Xem ảnh các sự kiện đẹp Tin mới về sự kiện Kết nối với đội ngũ chuyên gia Chú hề vui nhộn cho tiệc sinh nhật Ý tưởng tiệc cuối năm Tất niên độc đáo Trang trí tiệc hiện đại Tổ chức sinh nhật cho Hải Đăng Sinh nhật độc quyền Khánh Vân Phong cách tiệc Bích Ngân Trang trí tiệc bé Thanh Trang Thuê dịch vụ ông già Noel chuyên nghiệp Xem xiếc khỉ đặc sắc Xiếc quay đĩa thú vị
Trang chủ Giới thiệu Sinh nhật bé trai Sinh nhật bé gái Tổ chức sự kiện Biểu diễn giải trí Dịch vụ khác Trang trí tiệc cưới Tổ chức khai trương Tư vấn dịch vụ Thư viện ảnh Tin tức - sự kiện Liên hệ Chú hề sinh nhật Trang trí YEAR END PARTY công ty Trang trí tất niên cuối năm Trang trí tất niên xu hướng mới nhất Trang trí sinh nhật bé trai Hải Đăng Trang trí sinh nhật bé Khánh Vân Trang trí sinh nhật Bích Ngân Trang trí sinh nhật bé Thanh Trang Thuê ông già Noel phát quà Biểu diễn xiếc khỉ Xiếc quay đĩa
Thiết kế website Thiết kế website Thiết kế website Cách kháng tài khoản quảng cáo Mua bán Fanpage Facebook Dịch vụ SEO Tổ chức sinh nhật