dplyr 过滤器：获取变量最少的行，但如果有多个最小值，则仅获取第一行答案

【问题标题】：dplyr filter: Get rows with minimum of variable, but only the first if multiple minimadplyr 过滤器：获取变量最少的行，但如果有多个最小值，则仅获取第一行
【发布时间】：2014-02-14 00:23:51
【问题描述】：

我想使用dplyr 创建一个分组过滤器，在每个组内只返回具有变量x 最小值的行。

我的问题是：正如预期的那样，在多个最小值的情况下 all 具有最小值的行被返回。但就我而言，如果存在多个最小值，我只想要第一行。

这是一个例子：

df <- data.frame(
A=c("A", "A", "A", "B", "B", "B", "C", "C", "C"),
x=c(1, 1, 2, 2, 3, 4, 5, 5, 5),
y=rnorm(9)
)

library(dplyr)
df.g <- group_by(df, A)
filter(df.g, x == min(x))

正如所料，所有最小值都返回：

Source: local data frame [6 x 3]
Groups: A

  A x           y
1 A 1 -1.04584335
2 A 1  0.97949399
3 B 2  0.79600971
4 C 5 -0.08655151
5 C 5  0.16649962
6 C 5 -0.05948012

使用 ddply，我会以这种方式处理任务：

library(plyr)
ddply(df, .(A), function(z) {
    z[z$x == min(z$x), ][1, ]
})

...有效：

  A x           y
1 A 1 -1.04584335
2 B 2  0.79600971
3 C 5 -0.08655151

问：有没有办法在 dplyr 中解决这个问题？（出于速度原因）

【问题讨论】：

filter(df.g, rank(x) == 1) ?
@FelixS，rank(x)==1 是否给出了预期的结果？
@hadley, 1) 我不认为min_rank 在这里有帮助。他需要第一个最小值（查看plyr 解决方案）。 2) 无论您编写何种编程语言，rank 的算法复杂度（ties=min、max、first 等）都将比仅计算 min 更大。
@Arun：没错，只有rank(x, ties.method="first")==1 有效，因为 min 和 min_rank 不区分多个最小值。
@hadley，我仍然不明白这如何让您认为 which.min 是过早的优化。 AFAIK 这是一个自然的选择，读起来好，容易理解，快，因为它也恰好是 O(n)。

标签： r dplyr

【解决方案1】：

dplyr 提供slice_min 函数，使用参数with_ties = FALSE 完成这项工作

library(dplyr)

df %>% 
  group_by(A) %>% 
  slice_min(x, with_ties = FALSE)

输出：

# A tibble: 3 x 3
# Groups:   A [3]
A         x      y
<fct> <dbl>  <dbl>
1 A         1  0.273
2 B         2 -0.462
3 C         5  1.08

【讨论】：

这是我最喜欢的答案！

【解决方案2】：

来这里是为了寻找一种方法来与多个人一起做这件事。我相信这将给最后十名，打破平局

df.g %>%
top_n(-10,row_number(x))

【讨论】：

【解决方案3】：

更新

在 dplyr >= 0.3 的情况下，您可以将 slice 函数与 which.min 结合使用，这将是我最喜欢执行此任务的方法：

df %>% group_by(A) %>% slice(which.min(x))
#Source: local data frame [3 x 3]
#Groups: A
#
#  A x          y
#1 A 1  0.2979772
#2 B 2 -1.1265265
#3 C 5 -1.1952004

原答案

对于样本数据，也可以使用两个filter一个接一个：

group_by(df, A) %>% 
  filter(x == min(x)) %>% 
  filter(1:n() == 1)

【讨论】：

我发现do(head) 更容易阅读，df %>% group_by(A) %>% filter(x == min(x)) %>% do(head(.,1))
@baptiste 看起来确实不错（但是，当我运行它时，我收到一条错误消息Error: expecting a single value） - 你知道为什么吗？
不确定，也许我们使用的是不同的版本；我有dplyr_0.2, magrittr_1.0.0
好的，所以问题是我仍在运行 dplyr 0.1.3。谢谢
我更愿意在这里使用top_n，但由于关系密切，这种方法可能是明显的赢家——绝对是在性能方面（与arrange %>% slice相比）。

【解决方案4】：

另一种方法：

set.seed(1)
x <- data.frame(a = rep(1:2, each = 10), b = rnorm(20))
x <- dplyr::arrange(x, a, b)
dplyr::filter(x, !duplicated(a))

结果：

  a          b
1 1 -0.8356286
2 2 -2.2146999

也可以很容易地适应在每个组中获取具有最大值的行。

【讨论】：

【解决方案5】：

我喜欢 sqldf 的简单性..

sqldf("select A,min(X),y from 'df.g' group by A")

输出：

A min(X)          y

1 A      1 -1.4836989

2 B      2  0.3755771

3 C      5  0.9284441

【讨论】：

【解决方案6】：

这可以通过将row_number 与group_by 结合使用来完成。 row_number 通过不仅按值而且按向量内的相对顺序分配等级来处理平局。获取最小值为x的每个组的第一行：

df.g <- group_by(df, A)
filter(df.g, row_number(x) == 1)

有关更多信息，请参阅 dplyr vignette on window functions。

【讨论】：

【解决方案7】：

为了完整起见：这是最终的dplyr 解决方案，源自@hadley 和@Arun 的cmets：

library(dplyr)
df.g <- group_by(df, A)
filter(df.g, rank(x, ties.method="first")==1)

【讨论】：

【解决方案8】：

对于它的价值，这里有一个data.table 解决方案，给那些可能感兴趣的人：

# approach with setting keys
dt <- as.data.table(df)
setkey(dt, A,x)
dt[J(unique(A)), mult="first"]

# without using keys
dt <- as.data.table(df)
dt[dt[, .I[which.min(x)], by=A]$V1]

【讨论】：