仅保留每个因子级别的最小值

Question

我遇到了一些困扰我的问题...希望这里的任何人都可以帮助我.

我得到了以下数据框

f <- c('a','a','b','b','b','c','d','d','d','d')
v1 <- c(1.3,10,2,10,10,1.1,10,3.1,10,10)
v2 <- c(1:10)
df <- data.frame(f,v1,v2)

f是一个因素; v1和v2是值.对于f的每个级别,我只想要保留一行:在此因子级别中具有最低值v1的行.

f   v1  v2
a   1.3 1
b   2   3
c   1.1 6
d   3.1 8

我用聚合,ddply,by,tapply尝试了各种各样的东西......但似乎没有任何效果.对于任何建议,我将非常感激.

Answer 1

使用DWin的解决方案,tapply可以避免使用ave.

df[ df$v1 == ave(df$v1, df$f, FUN=min), ]

这提供了另一种加速,如下所示.请注意,这也取决于级别的数量.我注意到它ave经常被遗忘,尽管它是R中更强大的功能之一.

f <- rep(letters[1:20],10000)
v1 <- rnorm(20*10000)
v2 <- 1:(20*10000)
df <- data.frame(f,v1,v2)

> system.time(df[ df$v1 == ave(df$v1, df$f, FUN=min), ])
   user  system elapsed 
   0.05    0.00    0.05 

> system.time(df[ df$v1 %in% tapply(df$v1, df$f, min), ])
   user  system elapsed 
   0.25    0.03    0.29 

> system.time(lapply(split(df, df$f), FUN = function(x) {
+             vec <- which(x[3] == min(x[3]))
+             return(x[vec, ])
+         })
+  .... [TRUNCATED] 
   user  system elapsed 
   0.56    0.00    0.58 

> system.time(df[tapply(1:nrow(df),df$f,function(i) i[which.min(df$v1[i])]),]
+ )
   user  system elapsed 
   0.17    0.00    0.19 

> system.time( ddply(df, .var = "f", .fun = function(x) {
+     return(subset(x, v1 %in% min(v1)))
+     }
+ )
+ )
   user  system elapsed 
   0.28    0.00    0.28 

Answer 2

一个data.table解决方案.

library(data.table)
DT <- as.data.table(df)
DT[,.SD[which.min(v1)], by = f]

##   f  v1 v2
## 1: a 1.3  1
## 2: b 2.0  3
## 3: c 1.1  6
## 4: d 3.1  8

或者,更有效率

DT[DT[,.I[which.min(v1)],by=f][['V1']]]

一些基准测试

f <- rep(letters[1:20],100000)
v1 <- rnorm(20*100000)
v2 <- 1:(20*100000)
df <- data.frame(f,v1,v2)
DT <- as.data.table(df)
f1<-function(){df2<-df[order(df$f,df$v1),]
               df2[!duplicated(df2$f),]}

f2<-function(){df2<-df[order(df$v1),]
               df2[!duplicated(df2$f),]}

f3<-function(){df[ df$v1 == ave(df$v1, df$f, FUN=min), ]}


f4 <- function(){DT[,.SD[which.min(v1)], by = f]}

f5 <- function(){DT[DT[,.I[which.min(v1)],by=f][['V1']]]}

library(microbenchmark)
microbenchmark(f1(),f2(),f3(),f4(), f5(),times = 5)
# Unit: milliseconds
# expr       min        lq    median        uq       max neval
# f1() 3254.6620 3265.4760 3286.5440 3411.4054 3475.4198     5
# f2() 1630.8572 1639.3472 1651.5422 1721.4670 1738.6684     5
# f3()  172.2639  174.0448  177.4985  179.9604  184.7365     5
# f4()  206.1837  209.8161  209.8584  210.4896  210.7893     5
# f5()  105.5960  106.5006  107.9486  109.7216  111.1286     5

这种.I方法是胜利者(FR#2330有望.SD在实施时同样快速地呈现方法的优雅).

Answer 3

有了plyr,我会用:

ddply(df, .var = "f", .fun = function(x) {
    return(subset(x, v1 %in% min(v1)))
    }
)

尝试一下,看看它是否返回你想要的东西.

Answer 4

另一个tapply解决方案,没有不必要的矢量扫描%in%:

df[tapply(1:nrow(df),df$f,function(i) i[which.min(df$v1[i])]),]

编辑:如果出现平局,这将只留下第一行.

编辑2:印象深刻ave,我做了进一步的改进:

df[sapply(split(1:nrow(df),df$f),function(x) x[which.min(df$v1[x])]),]

在我的机器上(使用Joris的基准数据):

> system.time(df[ df$v1 == ave(df$v1, df$f, FUN=min), ])
   user  system elapsed
  0.022   0.000   0.021
> system.time(df[sapply(split(1:nrow(df),df$f),function(x) x[which.min(df$v1[x])]),])
   user  system elapsed
  0.006   0.000   0.007

Answer 5

v1这是按组过滤最小值的 dplyr 方式f：

library(dplyr)
df |>
  group_by(f) |>
  slice_min(v1)

请参阅?slice_min帮助页面以了解选项，例如是否包含平局（默认包含平局），或保留 1 个以上最低值的选项（例如，倒数 5 个或倒数 10%）。

您还可以更明确地执行此操作：

df %>%
  group_by(f) %>%
  filter(v1 == min(v1))

#Source: local data frame [4 x 3]
#Groups: f
#
#  f  v1 v2
#1 a 1.3  1
#2 b 2.0  3
#3 c 1.1  6
#4 d 3.1  8

如果 中出现平局v1，这将导致每组 中有多个行f。如果你想避免这种情况，你可以使用：

df %>% 
  group_by(f) %>% 
  filter(rank(v1, ties.method= "first") == 1)

这样，如果出现平局，您只会获得第一行。您可以选择使用ties.method = "random"或 帮助文件中描述的其他内容。