Question

我正在尝试通过从特定列中具有相同值的每组行中删除除一行之外的所有行来折叠数据框。换句话说，每组的第一行。

例如，我想转换此

> d = data.frame(x=c(1,1,2,4),y=c(10,11,12,13),z=c(20,19,18,17))
> d
  x  y  z
1 1 10 20
2 1 11 19
3 2 12 18
4 4 13 17

进入这个：

    x  y  z
1   1 11 19
2   2 12 18
3   4 13 17

我目前正在使用聚合来执行此操作，但使用更多数据时性能是不可接受的：

> d.ordered = d[order(-d$y),]
> aggregate(d.ordered,by=list(key=d.ordered$x),FUN=function(x){x[1]})

我尝试使用与此处相同的函数参数进行split / unsplit，但是unsplit抱怨重复的行号。

有可能吗？是否有一个R idiom将rle的长度向量转换为开始每次运行的行的索引，然后我可以使用它来从数据帧中提取这些行？

Answer 1

也许duplicated()可以提供帮助：

R> d[ !duplicated(d$x), ]
  x  y  z
1 1 10 20
3 2 12 18
4 4 13 17
R>

编辑糟糕，没关系。这会在每个重复块中选择第一个，你想要最后一个。所以这是使用plyr的另一种尝试：

R> ddply(d, "x", function(z) tail(z,1))
  x  y  z
1 1 11 19
2 2 12 18
3 4 13 17
R>

这里plyr努力寻找独特的子集，循环它们并应用提供的函数 - 它只使用z返回块tail(z, 1)中的最后一组观察值

Answer 2

只是为Dirk提供的内容添加一点...... duplicated有一个fromLast参数，您可以用它来选择最后一行：

d[ !duplicated(d$x,fromLast=TRUE), ]

Answer 3

这是一个data.table解决方案，它将为大型数据集提供时间和内存效率

library(data.table)
DT <- as.data.table(d)           # convert to data.table
setkey(DT, x)                    # set key to allow binary search using `J()`
DT[J(unique(x)), mult ='last']   # subset out the last row for each x
DT[J(unique(x)), mult ='first']  # if you wanted the first row for each x

Answer 4

使用dplyr有两个选项：

library(dplyr)
df %>% distinct(x, .keep_all = TRUE)
df %>% group_by(x) %>% filter(row_number() == 1)
df %>% group_by(x) %>% slice(1)

您可以在distinct()和group_by()上使用多个列：

df %>% distinct(x, y, .keep_all = TRUE)

如果有日期或其他顺序字段，并且group_by()和filter()方法可能会有用您想确保保留最近的观察结果，并且slice()对于避免发生联系很有用：

df %>% group_by(x) %>% filter(date == max(date)) %>% slice(1)

通过为每个组选择一行来折叠数据框

4 个答案: