根据列条目（或排名）对数据框进行子集答案

【问题标题】：Subset a data frame based on column entry (or rank)根据列条目（或排名）对数据框进行子集
【发布时间】：2011-08-13 21:34:50
【问题描述】：

我有一个和这个一样简单的data.frame：

id group idu  value
1  1     1_1  34
2  1     2_1  23
3  1     3_1  67
4  2     4_2  6
5  2     5_2  24
6  2     6_2  45
1  3     1_3  34
2  3     2_3  67
3  3     3_3  76

我想从其中检索包含每个组的第一个条目的子集；类似：

id group idu value
1  1     1_1 34
4  2     4_2 6
1  3     1_3 34

id 不是唯一的，因此方法不应依赖它。

我可以避免循环吗？

dput()的数据：

structure(list(id = c(1L, 2L, 3L, 4L, 5L, 6L, 1L, 2L, 3L), group = c(1L, 
1L, 1L, 2L, 2L, 2L, 3L, 3L, 3L), idu = structure(c(1L, 3L, 5L, 
7L, 8L, 9L, 2L, 4L, 6L), .Label = c("1_1", "1_3", "2_1", "2_3", 
"3_1", "3_3", "4_2", "5_2", "6_2"), class = "factor"), value = c(34L, 
23L, 67L, 6L, 24L, 45L, 34L, 67L, 76L)), .Names = c("id", "group", 
"idu", "value"), class = "data.frame", row.names = c(NA, -9L))

【问题讨论】：

标签： r subset

【解决方案1】：

使用加文的百万行df：

DF3 <- data.frame(id = sample(1000, 1000000, replace = TRUE),
                  group = factor(rep(1:1000, each = 1000)),
                  value = runif(1000000))
DF3 <- within(DF3, idu <- factor(paste(id, group, sep = "_")))

我认为最快的方法是重新排序数据框，然后使用duplicated：

system.time({
  DF4 <- DF3[order(DF3$group), ]
  out2 <- DF4[!duplicated(DF4$group), ]
})
# user  system elapsed 
# 0.335   0.107   0.441

相比之下，在我的计算机上 Gavin 的 fastet lapply + split 方法需要 7 秒。

通常，在处理数据帧时，最快的方法通常是生成所有索引，然后生成单个子集。

【讨论】：

这是一个不错的方法，但是要添加一个额外的注释，真实数据也可能重复组代码，这需要一个额外的步骤：向整个数据集添加一个真实的单个 groupID，可能基于时间戳列
为什么 !duplicated 返回重复组的第一个值？
@zach 如果您阅读了duplicated 的帮助，您会发现它实际上是“重复”的一个非常具体的定义——“具有较小下标的元素的重复”。因此，第一次遇到组 ID 时，R 只查看它处理过的先前记录，而不是前面的任何重复记录。所以它返回 FALSE，这是 Hadley 的倒置。

【解决方案2】：

根据 OP 的评论进行更新

如果在超过百万行上执行此操作，那么提供的所有选项都会很慢。以下是 100,000 行的虚拟数据集的一些比较时间：

set.seed(12)
DF3 <- data.frame(id = sample(1000, 100000, replace = TRUE),
                  group = factor(rep(1:100, each = 1000)),
                  value = runif(100000))
DF3 <- within(DF3, idu <- factor(paste(id, group, sep = "_")))

> system.time(out1 <- do.call(rbind, lapply(split(DF3, DF3["group"]), `[`, 1, )))
   user  system elapsed 
 19.594   0.053  19.984 
> system.time(out3 <- aggregate(DF3[,-2], DF3["group"], function (x) x[1]))
   user  system elapsed 
 12.419   0.141  12.788

我放弃了一百万行。不管你信不信，更快的是：

out2 <- matrix(unlist(lapply(split(DF3[, -4], DF3["group"]), `[`, 1,)),
               byrow = TRUE, nrow = (lev <- length(levels(DF3$group))))
colnames(out2) <- names(DF3)[-4]
rownames(out2) <- seq_len(lev)
out2 <- as.data.frame(out2)
out2$group <- factor(out2$group)
out2$idu <- factor(paste(out2$id, out2$group, sep = "_"),
                   levels = levels(DF3$idu))

输出（实际上）相同：

> all.equal(out1, out2)
[1] TRUE
> all.equal(out1, out3[, c(2,1,3,4)])
[1] "Attributes: < Component 2: Modes: character, numeric >"              
[2] "Attributes: < Component 2: target is character, current is numeric >"

（out1（或out2）和out3（aggregate() 版本）之间的区别仅在于组件的行名。）

时间安排为：

   user  system elapsed 
  0.163   0.001   0.168

关于 100,000 行问题，以及关于这百万行问题：

set.seed(12)
DF3 <- data.frame(id = sample(1000, 1000000, replace = TRUE),
                  group = factor(rep(1:1000, each = 1000)),
                  value = runif(1000000))
DF3 <- within(DF3, idu <- factor(paste(id, group, sep = "_")))

时间安排

   user  system elapsed 
 11.916   0.000  11.925

使用矩阵版本（产生out2）比其他版本处理 100,000 行问题更快地处理百万行。这只是表明使用矩阵确实非常快，而我的do.call() 版本的瓶颈是rbind()-将结果放在一起。

百万行问题的计时完成了：

system.time({out4 <- matrix(unlist(lapply(split(DF3[, -4], DF3["group"]),
                                          `[`, 1,)),
                            byrow = TRUE,
                            nrow = (lev <- length(levels(DF3$group))))
             colnames(out4) <- names(DF3)[-4]
             rownames(out4) <- seq_len(lev)
             out4 <- as.data.frame(out4)
             out4$group <- factor(out4$group)
             out4$idu <- factor(paste(out4$id, out4$group, sep = "_"),
                                levels = levels(DF3$idu))})

原创

如果你的数据在DF，比如说，那么：

do.call(rbind, lapply(with(DF, split(DF, group)), head, 1))

会做你想做的：

> do.call(rbind, lapply(with(DF, split(DF, group)), head, 1))
  idu group
1   1     1
2   4     2
3   7     3

如果新数据在DF2，那么我们得到：

> do.call(rbind, lapply(with(DF2, split(DF2, group)), head, 1))
  id group idu value
1  1     1 1_1    34
2  4     2 4_2     6
3  1     3 1_3    34

但是为了速度，我们可能想要子集而不是使用head()，并且我们可以通过不使用with()获得一点好处，例如：

do.call(rbind, lapply(split(DF2, DF2$group), `[`, 1, ))

> system.time(replicate(1000, do.call(rbind, lapply(split(DF2, DF2$group), `[`, 1, ))))
   user  system elapsed 
  3.847   0.040   4.044
> system.time(replicate(1000, do.call(rbind, lapply(split(DF2, DF2$group), head, 1))))
   user  system elapsed 
  4.058   0.038   4.111
> system.time(replicate(1000, aggregate(DF2[,-2], DF2["group"], function (x) x[1])))
   user  system elapsed 
  3.902   0.042   4.106

【讨论】：

似乎对加文有用。我编辑了这个问题的内容，但可能不会受到影响。我必须用 200 万行 data.frame 测试它的性能。
@Paulo 我已经更新了答案，并在此数据集合上重复运行了一些比较时间。
@Paulo Cardosa 我对一个大问题做了一些计时，所有选项都很慢，所以我提供了一个可以使用矩阵并且速度更快的版本。包括一百万行问题的计时。
信息丰富的加文。我将尝试使用真实数据来查看当 DF 也有更多列时它的行为。所有这些都至关重要，因为我有一个 2000 万行的对象要处理，任何时间节省都会对最终计算产生巨大影响。
一个额外的要求是保留 only 匹配 nrows 选择约束的条目（匹配标准的 DF2$group 条目）。代码可以容纳这个吗？

【解决方案3】：

使用plyr 的一种解决方案，假设您的数据位于名为zzz 的对象中：

ddply(zzz, "group", function(x) x[1 ,])

另一个选择行之间的差异并且应该证明更快，但依赖于事先订购的对象。这还假设您的组值不为 0：

zzz <- zzz[order(zzz$group) ,]

zzz[ diff(c(0,zzz$group)) != 0, ]

【讨论】：

【解决方案4】：

我认为这样可以解决问题：

aggregate(data["idu"], data["group"], function (x) x[1])

对于您更新的问题，我建议使用plyr 包中的ddply：

ddply(data, .(group), function (x) x[1,])

【讨论】：