2

Tengo el siguiente extracto de un dataframe:

     id   hijos   edad
1   AB22    2      31
2   AB25    1      27
3   AB25    1      25
4   AB25    3      33
5   AB50    2      40
6   AB35    1      37
7   AB35    1      39
8   AB40    1      41

Tengo que comprobar si existen registros duplicados en el campo id. La idea es asignar un nuevo id a los registros duplicados (sin repetirlos), de manera que su parte numérica tiene que ser un valor superior al máximo valor numérico del campo id. En el ejemplo, el máximo valor es 50 (registro 5). Por lo tanto, el dataframe podría quedar de la siguiente manera (aquí añado un número más, pero puede ser cualquier valor, siempre que sea mayor al máximo):

     id   hijos   edad
1   AB22    2      31
2   AB25    1      27
3   AB51    1      25
4   AB52    3      33
5   AB50    2      40
6   AB35    1      37
7   AB53    1      39
8   AB40    1      41

¿Cómo puedo hacer esto?

2 respuestas 2

3

Con R base puedes resolverlo así:

duplicados <- duplicated(df$id)
id_num <- ifelse(duplicados, cumsum(duplicados) + max(as.numeric(substring(df$id, 3))), 0)
df$new_id <- ifelse(duplicados, paste0(substring(df$id, 1, 2),id_num), df$id)

Básicamente duplicated() nos retorna TRUE cuando el id esta duplicado, luego simplemente generamos un numerador para estos casos que suma 1 al valor más alto de la parte numérica del id, luego simplemente es pegar las dos partes del id solo en el caso de los duplicados.

Con una lógica similar, si estás cómodo con tidyverse podrías hacer:

library(tidyverse)

df %>% 
  mutate(duplicado = duplicated(id)) %>% 
  separate(id, into = c("id1", "id2"), sep=2, remove=FALSE) %>% 
  mutate(dup_num = ifelse(duplicado, cumsum(duplicado), 0),
         new_id = ifelse(duplicado, paste0(id1,max(as.numeric(id2)) + dup_num), paste0(id1, id2)) 
         ) %>% 
  select(id, new_id, hijos, edad)
3

No se sera la mejor opción, o me di muchas vueltas pero asi logre resolver tu pregunta:

library(tidyverse)

df %>%
  mutate(
    aux = as.numeric(duplicated(id)),
    parte_suma = cumsum(aux),
    parte_numerica = as.numeric(gsub("[^0-9]", "", id)),
    parte_caracter = gsub("[0-9]", "", id),
    id = ifelse(
      aux == 0,
      paste0(parte_caracter, parte_numerica),
      paste0(parte_caracter, max(parte_numerica) + parte_suma)
    )
  ) %>%
  select(-aux, -parte_suma, -parte_numerica, -parte_caracter)
  1. crear una variable auxiliar que toma valor 1 cuando el id esta duplicado y 0 cuando no
  2. separar el id en una parte numérica y en una parte carácter
  3. cree una variable que se llama parte suma, que corresponde a la suma acumulada de los valores duplicados
  4. finalmente crear la variable id, que es concatenar la parte carácter con la parte numérica cuando aux == 0 , es decir, cuando no esta duplicada, y para cuando esta duplicada, concatenemos la parte caracter con el maximo de la parte numerica y le sumamos la suma acumulada para asegurarnos tener un id mayor al maximo pero que a la vez no se repita.

Tu Respuesta

By clicking “Publica tu respuesta”, you agree to our terms of service and acknowledge you have read our privacy policy.

¿No es la respuesta que buscas? Examina otras preguntas con la etiqueta o formula tu propia pregunta.