每个条目选择前 20 行答案

【问题标题】：Select 20 first rows per each entry每个条目选择前 20 行
【发布时间】：2014-12-04 11:02:10
【问题描述】：

我有一个具有这种结构的大型数据集（数百万条记录）：

id | ident1  |  ident2  
1    A000001    B000001 
2    A000001    B000002
................

99   A000001    B000099
.........
337  A000002    B000037
338  A000002    B000043

换句话说，对于每个 [ident1]，我在 [ident2] 中有大量条目。我希望只能选择其中 20 个条目（如果少于 20 个，则全部选择）。

顺序并不重要：因此，如果给定的 ident1 有 100 个匹配的 [ident2]，我想要前 20 个条目或 20 个随机条目，这都没关系。

提前致谢，p.

【问题讨论】：

标签： r data-manipulation

【解决方案1】：

试试

library(dplyr)
df %>% 
   group_by(ident1) %>%
   slice(1:20)

或使用data.table

library(data.table)
setDT(df)[, head(.SD,20), by=ident1]

如果您需要样品

setDT(df)[df[, .I[sample(.N,20, replace=FALSE)], by=ident1]$V1]

如果某些组的行数少于20 到sample

setDT(df)[,if(.N < 20) .SD else .SD[sample(.N,20, replace=FALSE)], by=group]

【讨论】：

我写的是完全相同的东西，但使用sample_n(20)而不是slice :)
@DavidePassaretti 我认为您可以发布它，因为 OP 想要第一个或随机样本。
感谢所有回复。 “dplyr”在我的版本中不可用。我已经安装了“plyr”，但是在操作数据框时它无法识别 %>% ... setDT 似乎可以解决问题（仍然不知道如何，但我会找出答案的！）。谢谢
@user3310782 最好将您的版本升级到新版本 (R.3.1.2)。 setDT 将数据帧转换为 data.table

【解决方案2】：

作为@akrun 的答案，我使用dplyr，但在我的情况下，您是随机选择观察结果。

library(dplyr)
df %>% 
  group_by(ident1) %>%
  sample_n(20)

或：

library(dplyr)
df %>% 
  group_by(ident1) %>%
  sample_frac(.2) # randomly select the 20 % from each group

使用plyr：

随机选择观察：

ddply(df, .(ident1), function(x, howmany) {

    x[sample(seq_len(nrow(x)), howmany), ]

}, howmany = 20)

选择前 20 个 obs：

ddply(df, .(ident1), head, 20)

【讨论】：

你不知道 plyr 中的等价物吗（我认为 dplyr 不再可供下载）？谢谢
@beginneR 确实很奇怪他不能下载这样的包。

【解决方案3】：

获取每个ident1 的前 20 行的基本 R 选项是：

df[ave(seq_along(df$ident1), df$ident1, FUN = seq_along) <= 20, ]

【讨论】：