修改“data.table”以给出每组的前 10%

Question

所以我这里有一个代码：

library(data.table)
setDT(df)[, .SD[which.min(Julian_Day)]., (species,Year)]

df 示例：

df=data.frame(
  year=c(1901,1901,1901,1901,1901,1901,1901,1901,1901,1901,1901,1901,1901),
  temp=c(29,25,21,26,20,20,26,25,24,23,23,24,26),
  habitat=c("fst","fld","city","city","fst","fld","fst","road","river","river","city","city","city"),
  species=c("blu","blu","pink","pink","pink","pink","pink","pink","pink","pink","pink","pink","pink"),
  day= c(34,87,93,79,56,98,100,187,54,14,63,57,23))

我希望新子集的样子：

dfout <- data.frame(
       year=c(1901,1901,1901),
       temp=c(29,25,21),
       habitat=c("fst","fld","river"),
       species=c("blu","blu","pink"),
       day=c(34,87,14),
       first10= c(NA,NA,23)
)   

因此，这个新子集将为我提供一个新行，其中包含每个年份每个物种（我有 1901-2000 年和 100 个物种）观察的前 10%（基于天）的平均温度。从上面可以看出，蓝光物种在 1901 年只有 2 个观测值，因此没有足够的数据来给出前 10% 的平均值，因此返回了 NA。其次，未用于计算前 10% 观测值的观测值从新子集中被省略。如果说，在 1901 年对粉红色物种进行了 30 次观察，那么新子集中将返回 3 行，所有在 first10% 列中的值都相同。

Answer 1

特殊变量.N 存储每个(species,Year) 组的子集中观察数，因此您可以选择.SD[(1:.N)/.N < .05]。

另外，避免.SD更有效，可以在这里使用

setDT(df)
df[df[,.I[(1:.N)/.N < .05],.(species,Year)]$V1]

.I 是另一个特殊变量，在df 中保存行号。我从@eddi 的answer here 借用了.I 的这种使用方式。 .N 和 .I 都可以通过键入 ?data.table 在文档中阅读。

---

更新。鉴于您更复杂的要求，我将附加到我的原始答案：

df[,{
    r10s     <- 1:.N/.N < .1
    myrows   <- if(sum(r10s)>0){r10s}else{TRUE}
    c(
        .SD[myrows],
        list(first10=mean(day[r10s]))
    )
},.(species,year)]  

当无法计算平均值时，这会为 first10 返回 NaN，这是 R 中的标准：

   species year temp habitat day first10
1:     blu 1901   29     fst  34     NaN
2:     blu 1901   25     fld  87     NaN
3:    pink 1901   21    city  93      93