【问题标题】：Selecting the first nth rows by group with number of rows varied按组选择前 n 行，行数不同
【发布时间】：2011-03-07 17:45:01
【问题描述】：

我喜欢选择数据框中每个组的前 (2,3,0,4) 行。

> f<-data.frame(group=c(1,1,1,2,2,3,4),y=c(1:7))
> 
>   group y
>      1 1
>      1 2
>      1 3
>      2 4
>      2 5
>      3 6
>      4 7

并获取如下数据框

group y
1 1
1 2
2 4
2 5
4 7

我尝试使用 by 和 head，但 head 没有使用向量。

感谢您的帮助。

【问题讨论】：

标签： r dataframe

【解决方案1】：

用更传统的lapply：

k <- c(2,3,0,4)
fs <- split(f, f$group)
do.call(rbind,lapply(seq_along(k), function(i) head(fs[[i]], k[i])))

结果是：

【讨论】：

我几乎提交了几乎相同的代码......再次。我们认为非常类似。
@Joshua：谢谢你的夸奖。我很感谢您在这里提供的许多有用的答案。顺便说一句，我今天早些时候看到我比你快，只是因为你先编辑了问题——感谢你花时间把问题也做得更好。
巧妙的做法。我在组中有一个大约 50K 类别的大型数据框。知道这有多快。干杯
@Tony：很难说；我相信split 将创建一个新的数据对象，如果这是真的并且f 非常大，那可能需要一段时间。如果它被证明太慢，Hadley 的plyr 包应该会更快地完成一些类似的事情，你可以尝试一下（就像在 Sacha 的解决方案中一样）。如果您只想要每组中的几行，那么精心编写的 for 循环也完全有可能对此进行改进。另一种可能性是简化split，因为只需要保留y，但这会使簿记复杂化。

【解决方案2】：

使用plyr：

library(plyr)
rows <- c(2,3,0,4)
ddply(f,.(group),function(x)head(x,rows[x[1,1]]))
        group y
    1     1 1
    2     1 2
    3     2 4
    4     2 5
    5     4 7

编辑：

误解了问题所以更新了答案

【讨论】：

【解决方案3】：

带索引的函数版本。

fun1 <- function(){
  idx <- c(0,which(diff(f$group)!=0))+1
  idx2 <- unlist(lapply(1:length(nf),function(x)  seq.int(from=idx[x],length.out=nf[x])),use.names=F)
  f1 <- f[idx2,]
  return(f1)
}

fun2 <- function(){
  ddply(f,.(group),function(x) head(x,nf[x[1,1]]))
}

测试数据（问题作者建议的大小）

f<-data.frame(group=sample(1:1000,50000,T),y=c(1:50000))
f <- f[order(f$group),]
nf <- rpois(length(unique(f$group)),3)

system.time(fun1()) system.time(fun2())

在我的系统上快 60 倍很有趣1。

【讨论】：

我用我的数据集测试你的代码，它确实非常快。对于 ddply，我收到以下错误消息 Error in if (n < 0L) max(nrow(x) + n, 0L) else min(n, nrow(x)) : missing value where TRUE/FALSE needed
您的组变量中可能缺少值。您可以将缺失值重新编码为某个值或使用 na.omit(f)。