# How to find the unique elements in multiple vectors in R?

To find the unique elements in multiple vectors, we can follow the below steps −

• First of all, create a number of vectors.
• Use setdiff function to find the common elements in all the vectors.

## Create the vectors

Let’s create a number of vectors as shown below −

Live Demo

x<-sample(1:1000,150)
y<-sample(1:1000,150)
z<-sample(1:1000,150)
a<-sample(1:1000,150)
b<-sample(1:1000,150)
c<-sample(1:1000,150)
x
y
z
a
b
c

On executing, the above script generates the below output(this output will vary on your system due to randomization) −

### Output

[1] 643 277 911 409 650 77 238 154 483 752 268 44 389 397 805 92 497 55
[19] 74 143 835 545 399 216 554 704 227 864 439 135 416 740 171 522 612 516
[37] 495 633 770 150 778 868 963 475 103 434 164 480 112 30 537 563 16 91
[55] 420 278 107 684 379 357 437 838 317 850 65 980 68 828 228 577 954 568
[73] 71 800 901 318 882 646 917 528 224 795 256 282 878 792 34 110 955 7
[91] 523 789 242 614 294 8 203 179 579 641 17 328 762 578 207 298 476 886
[109] 572 479 191 904 674 832 229 640 899 713 459 28 142 39 623 100 136 845
[127] 625 367 257 526 235 241 825 32 626 602 733 303 767 503 209 419 902 174
[145] 415 645 525 356 168 337

[1] 356 674 450 501 869 736 723 822 213 883 26 166 381 650 435 184 511 429
[19] 960 250 818 126 90 911 835 30 687 195 848 462 897 395 725 261 79 109
[37] 595 451 979 42 100 989 717 36 981 640 19 659 433 701 12 47 290 31
[55] 388 424 309 702 854 699 957 85 923 474 43 99 761 162 329 658 971 811
[73] 972 784 188 617 536 980 522 385 712 793 207 461 278 496 656 540 217 173
[91] 412 681 626 456 3 234 521 739 227 948 527 709 330 800 776 713 503 284
[109] 324 509 692 18 878 816 584 591 514 486 560 966 634 680 890 844 991 196
[127] 722 16 394 581 180 428 434 63 857 871 506 350 480 585 405 690 839 392
[145] 343 414 946 436 998 915

[1] 121 743 253 145 943 940 82 717 972 772 105 472 794 909 999 24 515 853
[19] 793 211 408 396 738 63 535 413 272 863 917 434 591 577 225 532 807 699
[37] 570 130 42 608 545 734 955 541 922 176 767 119 894 299 904 588 479 668
[55] 403 912 473 450 665 306 689 298 563 106 830 478 492 133 800 312 860 318
[73] 592 898 846 757 509 471 376 850 908 705 929 188 791 327 52 839 464 93
[91] 910 342 3 132 747 375 718 32 664 675 433 352 79 337 979 766 378 85
[109] 323 455 441 294 44 550 861 764 480 4 443 247 568 419 317 557 513 456
[127] 820 8 933 862 329 730 525 388 259 173 697 482 857 655 197 674 401 422
[145] 584 774 827 357 175 438

[1] 140 300 637 664 375 25 50 264 850 706 351 824 79 912 286 851 141 482
[19] 187 714 741 738 309 720 461 576 829 218 406 279 789 192 503 803 242 271
[37] 9 172 396 420 619 697 989 566 814 878 849 561 352 154 463 768 642 525
[55] 428 767 808 263 73 70 616 568 7 282 752 129 297 28 650 49 544 74
[73] 837 465 326 973 107 932 621 10 864 11 749 331 274 328 233 397 149 35
[91] 669 261 82 381 985 542 367 484 681 556 301 89 645 618 311 320 155 485
[109] 663 598 546 493 452 862 462 268 547 938 412 726 131 601 259 354 905 826
[127] 632 162 349 976 990 928 943 411 794 287 71 995 531 52 448 440 3 43
[145] 197 914 884 20 508 951

[1] 269 573 867 628 604 458 536 143 288 304 660 894 376 20 191 773 841 389
[19] 316 594 657 976 584 827 919 931 224 353 671 791 139 780 193 104 903 775
[37] 171 7 530 309 368 778 591 41 853 619 848 792 559 398 488 90 267 212
[55] 866 522 512 614 36 955 974 620 287 772 886 634 710 489 510 263 632 273
[73] 893 294 411 735 714 890 154 832 997 819 528 211 533 229 568 947 73 467
[91] 992 563 498 322 76 790 27 109 888 271 218 414 738 677 34 580 622 102
[109] 777 648 342 625 814 884 989 454 631 942 364 427 234 390 260 764 879 828
[127] 926 15 742 551 589 11 58 291 581 61 495 588 983 797 656 670 561 152
[145] 441 949 770 954 77 354

[1] 164 910 513 839 907 422 496 968 999 941 614 176 564 83 768 550 883 598
[19] 355 409 713 374 569 62 365 344 42 611 969 493 331 549 810 533 272 544
[37] 77 904 66 504 239 265 705 507 848 212 674 757 582 738 748 415 978 746
[55] 647 159 924 623 162 735 339 260 979 755 351 169 278 181 795 163 240 435
[73] 751 744 47 977 119 411 317 390 624 226 468 726 646 642 557 160 419 620
[91] 359 347 576 509 728 821 519 267 585 975 842 691 916 775 676 948 992 814
[109] 485 529 812 471 55 606 922 562 412 183 488 584 847 558 404 559 909 99
[127] 291 717 195 400 833 168 16 843 500 894 673 622 219 283 182 95 282 657
[145] 360 391 682 588 48 837

## Find unique elements

Using setdiff function with Reduce function to find the common elements in all the above vectors −

Live Demo

x<-sample(1:1000,150)
y<-sample(1:1000,150)
z<-sample(1:1000,150)
a<-sample(1:1000,150)
b<-sample(1:1000,150)
c<-sample(1:1000,150)
Reduce(setdiff,list(x,y,z,a,b,c))

### Output

[1] 643 277 238 483 805 92 497 399 216 554 704 439 135 416 740 612 516 633 150
[20] 868 963 475 103 112 537 91 684 379 437 838 65 68 228 901 882 256 110 523
[39] 203 179 579 641 17 762 578 476 572 899 459 142 39 136 845 257 526 235 241
[58] 825 602 733 303 209 902 174

Updated on: 13-Aug-2021

657 Views