根据条件对数据框进行分组并返回整个分组的数据框答案

【问题标题】：grouping of data frame based on condition and return entire grouped data frame根据条件对数据框进行分组并返回整个分组的数据框
【发布时间】：2015-12-29 08:33:16
【问题描述】：

假设我有以下数据框。第一列是 INPUT，其值为 4000,4000,3000,2000,2000,2000,2000 等。第二列是组，其值为 - 1,1,2,3,3,3,3 . 分组已根据 INPUT 完成。例如：输入是：-

INPUT     group
4000       1
4000       1
2000       2
3000       3
2000       4
2000       4
2000       4

输出：- 返回具有最大重复组值的整个 data.frame。

INPUT     group
2000        4
2000        4
2000        4

我的数据框有 10,0000 条记录和 70 个属性。

【问题讨论】：

标签： r

【解决方案1】：

我们可以使用data.table。我们将 'data.frame' 转换为 'data.table' （setDT(df1)，获取按 'group' 分组的 nrow 并将具有 max 值的行子集在 'N' 中。

library(data.table)
setDT(df1)[, N:= .N, group][N==max(N)][, N:= NULL]
#    INPUT group
#1:  2000     4
#2:  2000     4
#3:  2000     4

【讨论】：

这将只返回一行我需要所有记录。
你能告诉我如何遍历所有组，所以它会返回结果，如第一组最大值，然后是第二个数据帧，然后是第三个等等......
你可以试试setDT(df1)[, N:=.N, group][order(group, -N)]按顺序获取数据集

【解决方案2】：

您可以尝试使用table 函数，然后使用which.max 找到最大重复值

df[df$group == which.max(table(df$group)), ]

#   INPUT group
#5  2000     4
#6  2000     4
#7  2000     4

根据@David 的评论，这里使用tabulate 而不是table 会很有帮助，因为它是一个大型数据集

df[df$group == which.max(tabulate(df$group)), ]

只是对这个数据集本身做了一个小比较

library(microbenchmark)
microbenchmark(
tabulate = df[df$group == which.max(tabulate(df$group)), ],
table = df[df$group == which.max(table(df$group)), ]
)

# Unit: microseconds
# expr       min       lq      mean    median       uq     max   neval
# tabulate  46.871  51.1475  56.94295  53.714  62.4375  92.715    100
# table     184.747 192.4440 211.37036 203.905 216.3925 455.023   100

【讨论】：

tabulate 在这种情况下可能会更好。
@DavidArenburg 不完全确定如何使用它。只需将 table 替换为 tabulate 即可得到相同的结果，但我认为这不是它的使用方式。
@DavidArenburg 谢谢大卫。更新了解决方案。

【解决方案3】：

您也可以使用基础 R。首先计算由 INPUT 变量分层的每个组变量的计数

d$count <- ave(d$INPUT, d$group,  FUN = length)

返回具有最大重复组值的数据。

d[ d$count == max(d$count),  ]

【讨论】：