Question

我有一个像这样的虚拟数据集：

  x  y
1 1  test1
2 2  test2
3 2  test3
4 3  test4
5 3  test5

我想根据x中的值对其进行聚合，但是我只想显示{{1}的值的最后/第一个值，而不是连接或运行最大频率检查。 }（基于行号）。我想知道如何显示最后一个和第一个值。只需删除基于x的重复项，就无法灵活选择x我可以选择的值。

我的输出将是这样的（最后一次）：

或者像这样（第一次）：

  x  y
1 1  test1
2 2  test3
3 3  test5

我有一个1M +行的大型数据集。帮助将不胜感激。我尝试过聚合和ddply方法。

Answer 1

您可以使用dplyr::distinct()，根据变量保留唯一行，如果您将.keep_all参数指定为TRUE，则会获得每个不同值的第一行指定的变量：

获得第一个：

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

#  x     y
#1 1 test1
#2 2 test2
#3 3 test4

要获取最后一行，您可以按照row_number()降序排序数据框，然后使用distinct()：

df %>% 
      arrange(desc(row_number())) %>% 
      distinct(x, .keep_all = TRUE)

#  x     y
#1 3 test5
#2 2 test3
#3 1 test1

Answer 2

您可以使用duplicated

df[!duplicated(df$x, fromLast=TRUE),]
  x     y
1 1 test1
3 2 test3
5 3 test5

df[!duplicated(df$x),]
  x     y
1 1 test1
2 2 test2
4 3 test4

Answer 3

或者，您可以使用data.table，因为您说您的数据非常大。我给出了两个例子，对于每个第一个/最后一个值，两个都给出相同的结果。使用setkey的方法会更快。

library(data.table)

第一个值

方法1：

dt[dt[,list(keep=.I[which.min(.I)]),by=.(x)][,keep]]

方法2：

setkey(dt,x)
dt[J(unique(x)),mult="first"]


   x     y
1: 1 test1
2: 2 test2
3: 3 test4

上一个值

方法1：

dt[dt[,list(keep=.I[which.max(.I)]),by=.(x)][,keep]]

方法2：

setkey(dt,x)
dt[J(unique(x)),mult="last"]



   x     y
1: 1 test1
2: 2 test3
3: 3 test5

数据

dt <- structure(list(x = c(1L, 2L, 2L, 3L, 3L), y = structure(1:5, .Label = c("test1", "test2", "test3", "test4", "test5"), class = "factor")), .Names = c("x", "y"), class = c("data.table", "data.frame"), row.names = c(NA, -5L), .internal.selfref = <pointer: 0x0000000000140788>)

修改：已在setkey()方法中添加。

根据R中的列聚合字符串，仅保留第一个/最后一个

3 个答案: