我遇到的问题让我有些困扰...希望这里的任何人都可以帮助我。
我得到了以下数据框
f <- c('a','a','b','b','b','c','d','d','d','d')
v1 <- c(1.3,10,2,10,10,1.1,10,3.1,10,10)
v2 <- c(1:10)
df <- data.frame(f,v1,v2)
f是一个因素; v1和v2是值。 对于f的每个级别，我只想要保留一行：在此因子级别中具有最低v1值的那一行。
f v1 v2
a 1.3 1
b 2 3
c 1.1 6
d 3.1 8
我用aggregate，ddply，by，tapply尝试了各种各样的东西......但似乎没有任何效果。对于任何建议，我将非常感激。
答案 0 :(得分：30)
使用DWin的解决方案，tapply可以避免使用ave。
df[ df$v1 == ave(df$v1, df$f, FUN=min), ]
这提供了另一种加速，如下所示。请注意，这也取决于级别的数量。我注意到ave经常被遗忘，尽管它是R中更强大的功能之一。
f <- rep(letters[1:20],10000)
v1 <- rnorm(20*10000)
v2 <- 1:(20*10000)
df <- data.frame(f,v1,v2)
> system.time(df[ df$v1 == ave(df$v1, df$f, FUN=min), ])
user system elapsed
0.05 0.00 0.05
> system.time(df[ df$v1 %in% tapply(df$v1, df$f, min), ])
user system elapsed
0.25 0.03 0.29
> system.time(lapply(split(df, df$f), FUN = function(x) {
+ vec <- which(x[3] == min(x[3]))
+ return(x[vec, ])
+ })
+ .... [TRUNCATED]
user system elapsed
0.56 0.00 0.58
> system.time(df[tapply(1:nrow(df),df$f,function(i) i[which.min(df$v1[i])]),]
+ )
user system elapsed
0.17 0.00 0.19
> system.time( ddply(df, .var = "f", .fun = function(x) {
+ return(subset(x, v1 %in% min(v1)))
+ }
+ )
+ )
user system elapsed
0.28 0.00 0.28
答案 1 :(得分：14)
data.table解决方案。
library(data.table)
DT <- as.data.table(df)
DT[,.SD[which.min(v1)], by = f]
## f v1 v2
## 1: a 1.3 1
## 2: b 2.0 3
## 3: c 1.1 6
## 4: d 3.1 8
或者，更有效率
DT[DT[,.I[which.min(v1)],by=f][['V1']]]
f <- rep(letters[1:20],100000)
v1 <- rnorm(20*100000)
v2 <- 1:(20*100000)
df <- data.frame(f,v1,v2)
DT <- as.data.table(df)
f1<-function(){df2<-df[order(df$f,df$v1),]
df2[!duplicated(df2$f),]}
f2<-function(){df2<-df[order(df$v1),]
df2[!duplicated(df2$f),]}
f3<-function(){df[ df$v1 == ave(df$v1, df$f, FUN=min), ]}
f4 <- function(){DT[,.SD[which.min(v1)], by = f]}
f5 <- function(){DT[DT[,.I[which.min(v1)],by=f][['V1']]]}
library(microbenchmark)
microbenchmark(f1(),f2(),f3(),f4(), f5(),times = 5)
# Unit: milliseconds
# expr min lq median uq max neval
# f1() 3254.6620 3265.4760 3286.5440 3411.4054 3475.4198 5
# f2() 1630.8572 1639.3472 1651.5422 1721.4670 1738.6684 5
# f3() 172.2639 174.0448 177.4985 179.9604 184.7365 5
# f4() 206.1837 209.8161 209.8584 210.4896 210.7893 5
# f5() 105.5960 106.5006 107.9486 109.7216 111.1286 5
.I方法是赢家（FR #2330有望在实施时同样快速地呈现.SD方法的优雅。
答案 2 :(得分：8)
使用plyr，我会使用：
ddply(df, .var = "f", .fun = function(x) {
return(subset(x, v1 %in% min(v1)))
}
)
尝试一下，看看它是否会返回你想要的东西。
答案 3 :(得分：6)
另一个tapply解决方案，没有对%in%进行不必要的矢量扫描：
df[tapply(1:nrow(df),df$f,function(i) i[which.min(df$v1[i])]),]
编辑：如果出现平局，这将只留下第一行。
EDIT2：ave给我留下了深刻印象，我做了其他改进：
df[sapply(split(1:nrow(df),df$f),function(x) x[which.min(df$v1[x])]),]
在我的机器上（使用Joris的基准数据）：
> system.time(df[ df$v1 == ave(df$v1, df$f, FUN=min), ])
user system elapsed
0.022 0.000 0.021
> system.time(df[sapply(split(1:nrow(df),df$f),function(x) x[which.min(df$v1[x])]),])
user system elapsed
0.006 0.000 0.007
答案 4 :(得分：4)
这是一个tapply解决方案;
> df[ df$v1 %in% tapply(df$v1, df$f, min), ]
f v1 v2
1 a 1.3 1
3 b 2.0 3
6 c 1.1 6
8 d 3.1 8
在你的例子中，每个组只挑出一个，但如果有联系，这个方法会显示所有。 （我怀疑是Parker和Luštrik的。）
答案 5 :(得分：2)
对不起，我的思维能力已经耗尽，这个丑陋的解决方案就是我几乎凌晨1点就能想到的。
lapply(split(df, df$f), FUN = function(x) {
vec <- which(x[3] == min(x[3]))
return(x[vec, ])
})
答案 6 :(得分：2)
另一种方法是使用order和!duplicated，但你只会获得第一个关系。
df2 <- df[order(df$f,df$v1),]
df2[!duplicated(df2$f),]
f v1 v2
1 a 1.3 1
3 b 2.0 3
6 c 1.1 6
8 d 3.1 8
<强>计时
f1<-function(){df2<-df[order(df$f,df$v1),]
df2[!duplicated(df2$f),]}
f2<-function(){df2<-df[order(df$v1),]
df2[!duplicated(df2$f),]}
f3<-function(){df[ df$v1 == ave(df$v1, df$f, FUN=min), ]}
library(rbenchmark)
> benchmark(f1(),f2(),f3())
test replications elapsed relative user.self sys.self user.child sys.child
1 f1() 100 38.16 7.040590 36.66 1.48 NA NA
2 f2() 100 20.54 3.789668 19.30 1.23 NA NA
3 f3() 100 5.42 1.000000 4.96 0.46 NA NA
答案 7 :(得分：2)
以下是by
do.call(rbind, unname(by(df, df$f, function(x) x[x$v1 == min(x$v1),])))
## f v1 v2
## 1 a 1.3 1
## 3 b 2.0 3
## 6 c 1.1 6
## 8 d 3.1 8
答案 8 :(得分：2)
这是通过v1组筛选最小f值的dplyr方式：
require(dplyr)
df %>%
group_by(f) %>%
filter(v1 == min(v1))
#Source: local data frame [4 x 3]
#Groups: f
#
# f v1 v2
#1 a 1.3 1
#2 b 2.0 3
#3 c 1.1 6
#4 d 3.1 8
如果v1中存在关系，则会导致每组f有多行。如果您想避免这种情况，可以使用：
df %>%
group_by(f) %>%
filter(rank(v1, ties.method= "first") == 1)
这样，你只会在关系的情况下得到第一行。您也可以使用帮助文件中描述的ties.method = "random"或其他人。