选择每组中最大值的行答案

【问题标题】：Select the row with the maximum value in each group选择每组中最大值的行
【发布时间】：2014-08-24 20:24:41
【问题描述】：

在每个主题有多个观察的数据集中。对于每个主题，我想选择具有最大值“pt”的行。例如，使用以下数据集：

ID    <- c(1,1,1,2,2,2,2,3,3)
Value <- c(2,3,5,2,5,8,17,3,5)
Event <- c(1,1,2,1,2,1,2,2,2)

group <- data.frame(Subject=ID, pt=Value, Event=Event)
#   Subject pt Event
# 1       1  2     1
# 2       1  3     1
# 3       1  5     2 # max 'pt' for Subject 1
# 4       2  2     1
# 5       2  5     2
# 6       2  8     1
# 7       2 17     2 # max 'pt' for Subject 2
# 8       3  3     2
# 9       3  5     2 # max 'pt' for Subject 3

主题 1、2 和 3 的 pt 值分别为 5、17 和 5。

如何首先找到每个主题的最大 pt 值，然后将此观察结果放入另一个数据框中？生成的数据框应该只有每个主题的最大 pt 值。

【问题讨论】：

这是非常密切相关的，但对于最小值而不是最大值stackoverflow.com/questions/24070714/…
相关：Subset by group with data.table

标签： r dataframe r-faq

【解决方案1】：

最直观的方法是在dplyr中使用group_by和top_n函数

    group %>% group_by(Subject) %>% top_n(1, pt)

你得到的结果是

    Source: local data frame [3 x 3]
    Groups: Subject [3]

      Subject    pt Event
        (dbl) (dbl) (dbl)
    1       1     5     2
    2       2    17     2
    3       3     5     2

【讨论】：

dplyr 在您想要访问组中的最小值和最大值时也很有用，因为这些值可以作为数组使用。所以可以先按pt降序排序，然后用pt[1]或first(pt)取最大值：group %>% group_by(Subject) %>% arrange(desc(pt), .by_group = TRUE) %>% summarise(max_pt=first(pt), min_pt=last(pt), Event=first(Event))
如果有平局，这将包括多行。使用slice(which.max(pt)) 每组只包含一行。

【解决方案2】：

使用 dplyr 1.0.2 现在有两种方法可以做到这一点，一种是长手，另一种是使用动词cross()：

      # create data
      ID    <- c(1,1,1,2,2,2,2,3,3)
      Value <- c(2,3,5,2,5,8,17,3,5)
      Event <- c(1,1,2,1,2,1,2,2,2)
      
      group <- data.frame(Subject=ID, pt=Value, Event=Event)

动词是 max() 但请注意 na.rm = TRUE 这对于封闭问题中存在 NA 的示例很有用：Merge rows in a dataframe where the rows are disjoint and contain NAs:

       group %>% 
        group_by(Subject) %>% 
        summarise(pt = max(pt, na.rm = TRUE),
                  Event = max(Event, na.rm = TRUE))

如果只有几列，这是可以的，但如果表有很多列，cross() 很有用。该动词的示例通常使用 summarise(across(start_with...)，但在此示例中，列不以相同的字符开头。它们可以更改或列出的位置：

    group %>% 
        group_by(Subject) %>% 
        summarise(across(1:ncol(group)-1, max, na.rm = TRUE, .names = "{.col}"))

注意动词cross() 1 指的是第一列在第一个实际列之后，因此使用ncol(group) 将不起作用，因为列太多（使其位置4 而不是大于 3)。

【讨论】：

【解决方案3】：

自 {dplyr} v1.0.0（2020 年 5 月）以来，新的 slice_* 语法取代了 top_n()。

另见https://dplyr.tidyverse.org/reference/slice.html。

library(tidyverse)

ID    <- c(1,1,1,2,2,2,2,3,3)
Value <- c(2,3,5,2,5,8,17,3,5)
Event <- c(1,1,2,1,2,1,2,2,2)

group <- data.frame(Subject=ID, pt=Value, Event=Event)

group %>% 
  group_by(Subject) %>% 
  slice_max(pt)
#> # A tibble: 3 x 3
#> # Groups:   Subject [3]
#>   Subject    pt Event
#>     <dbl> <dbl> <dbl>
#> 1       1     5     2
#> 2       2    17     2
#> 3       3     5     2

^{由reprex package (v0.3.0.9001) 于 2020 年 8 月 18 日创建}

会话信息

sessioninfo::session_info()
#> ─ Session info ───────────────────────────────────────────────────────────────
#>  setting  value                                      
#>  version  R version 4.0.2 Patched (2020-06-30 r78761)
#>  os       macOS Catalina 10.15.6                     
#>  system   x86_64, darwin17.0                         
#>  ui       X11                                        
#>  language (EN)                                       
#>  collate  en_US.UTF-8                                
#>  ctype    en_US.UTF-8                                
#>  tz       Europe/Berlin                              
#>  date     2020-08-18                                 
#> 
#> ─ Packages ───────────────────────────────────────────────────────────────────
#>  package     * version    date       lib source                            
#>  assertthat    0.2.1      2019-03-21 [1] CRAN (R 4.0.0)                    
#>  backports     1.1.8      2020-06-17 [1] CRAN (R 4.0.1)                    
#>  blob          1.2.1      2020-01-20 [1] CRAN (R 4.0.0)                    
#>  broom         0.7.0      2020-07-09 [1] CRAN (R 4.0.2)                    
#>  cellranger    1.1.0      2016-07-27 [1] CRAN (R 4.0.0)                    
#>  cli           2.0.2      2020-02-28 [1] CRAN (R 4.0.0)                    
#>  colorspace    1.4-1      2019-03-18 [1] CRAN (R 4.0.0)                    
#>  crayon        1.3.4      2017-09-16 [1] CRAN (R 4.0.0)                    
#>  DBI           1.1.0      2019-12-15 [1] CRAN (R 4.0.0)                    
#>  dbplyr        1.4.4      2020-05-27 [1] CRAN (R 4.0.0)                    
#>  digest        0.6.25     2020-02-23 [1] CRAN (R 4.0.0)                    
#>  dplyr       * 1.0.1      2020-07-31 [1] CRAN (R 4.0.2)                    
#>  ellipsis      0.3.1      2020-05-15 [1] CRAN (R 4.0.0)                    
#>  evaluate      0.14       2019-05-28 [1] CRAN (R 4.0.0)                    
#>  fansi         0.4.1      2020-01-08 [1] CRAN (R 4.0.0)                    
#>  forcats     * 0.5.0      2020-03-01 [1] CRAN (R 4.0.0)                    
#>  fs            1.5.0      2020-07-31 [1] CRAN (R 4.0.2)                    
#>  generics      0.0.2      2018-11-29 [1] CRAN (R 4.0.0)                    
#>  ggplot2     * 3.3.2      2020-06-19 [1] CRAN (R 4.0.1)                    
#>  glue          1.4.1      2020-05-13 [1] CRAN (R 4.0.0)                    
#>  gtable        0.3.0      2019-03-25 [1] CRAN (R 4.0.0)                    
#>  haven         2.3.1      2020-06-01 [1] CRAN (R 4.0.0)                    
#>  highr         0.8        2019-03-20 [1] CRAN (R 4.0.0)                    
#>  hms           0.5.3      2020-01-08 [1] CRAN (R 4.0.0)                    
#>  htmltools     0.5.0      2020-06-16 [1] CRAN (R 4.0.1)                    
#>  httr          1.4.2      2020-07-20 [1] CRAN (R 4.0.2)                    
#>  jsonlite      1.7.0      2020-06-25 [1] CRAN (R 4.0.2)                    
#>  knitr         1.29       2020-06-23 [1] CRAN (R 4.0.2)                    
#>  lifecycle     0.2.0      2020-03-06 [1] CRAN (R 4.0.0)                    
#>  lubridate     1.7.9      2020-06-08 [1] CRAN (R 4.0.1)                    
#>  magrittr      1.5        2014-11-22 [1] CRAN (R 4.0.0)                    
#>  modelr        0.1.8      2020-05-19 [1] CRAN (R 4.0.0)                    
#>  munsell       0.5.0      2018-06-12 [1] CRAN (R 4.0.0)                    
#>  pillar        1.4.6      2020-07-10 [1] CRAN (R 4.0.2)                    
#>  pkgconfig     2.0.3      2019-09-22 [1] CRAN (R 4.0.0)                    
#>  purrr       * 0.3.4      2020-04-17 [1] CRAN (R 4.0.0)                    
#>  R6            2.4.1      2019-11-12 [1] CRAN (R 4.0.0)                    
#>  Rcpp          1.0.5      2020-07-06 [1] CRAN (R 4.0.2)                    
#>  readr       * 1.3.1      2018-12-21 [1] CRAN (R 4.0.0)                    
#>  readxl        1.3.1      2019-03-13 [1] CRAN (R 4.0.0)                    
#>  reprex        0.3.0.9001 2020-08-13 [1] Github (tidyverse/reprex@23a3462) 
#>  rlang         0.4.7      2020-07-09 [1] CRAN (R 4.0.2)                    
#>  rmarkdown     2.3.3      2020-07-26 [1] Github (rstudio/rmarkdown@204aa41)
#>  rstudioapi    0.11       2020-02-07 [1] CRAN (R 4.0.0)                    
#>  rvest         0.3.6      2020-07-25 [1] CRAN (R 4.0.2)                    
#>  scales        1.1.1      2020-05-11 [1] CRAN (R 4.0.0)                    
#>  sessioninfo   1.1.1      2018-11-05 [1] CRAN (R 4.0.2)                    
#>  stringi       1.4.6      2020-02-17 [1] CRAN (R 4.0.0)                    
#>  stringr     * 1.4.0      2019-02-10 [1] CRAN (R 4.0.0)                    
#>  styler        1.3.2.9000 2020-07-05 [1] Github (pat-s/styler@51d5200)     
#>  tibble      * 3.0.3      2020-07-10 [1] CRAN (R 4.0.2)                    
#>  tidyr       * 1.1.1      2020-07-31 [1] CRAN (R 4.0.2)                    
#>  tidyselect    1.1.0      2020-05-11 [1] CRAN (R 4.0.0)                    
#>  tidyverse   * 1.3.0      2019-11-21 [1] CRAN (R 4.0.0)                    
#>  utf8          1.1.4      2018-05-24 [1] CRAN (R 4.0.0)                    
#>  vctrs         0.3.2      2020-07-15 [1] CRAN (R 4.0.2)                    
#>  withr         2.2.0      2020-04-20 [1] CRAN (R 4.0.0)                    
#>  xfun          0.16       2020-07-24 [1] CRAN (R 4.0.2)                    
#>  xml2          1.3.2      2020-04-23 [1] CRAN (R 4.0.0)                    
#>  yaml          2.2.1      2020-02-01 [1] CRAN (R 4.0.0)                    
#> 
#> [1] /Users/pjs/Library/R/4.0/library
#> [2] /Library/Frameworks/R.framework/Versions/4.0/Resources/library

【讨论】：

【解决方案4】：

在 base 中，您可以使用 ave 获取每个组的 max 并将其与 pt 进行比较，并获取一个逻辑向量来子集 data.frame。

group[group$pt == ave(group$pt, group$Subject, FUN=max),]
#  Subject pt Event
#3       1  5     2
#7       2 17     2
#9       3  5     2

或者已经在函数中比较了。

group[as.logical(ave(group$pt, group$Subject, FUN=function(x) x==max(x))),]
#group[ave(group$pt, group$Subject, FUN=function(x) x==max(x))==1,] #Variant
#  Subject pt Event
#3       1  5     2
#7       2 17     2
#9       3  5     2

【讨论】：

【解决方案5】：

by 是 tapply 的一个版本，用于数据帧：

res <- by(group, group$Subject, FUN=function(df) df[which.max(df$pt),])

它返回一个by类的对象，所以我们将它转换为数据框：

do.call(rbind, b)
  Subject pt Event
1       1  5     2
2       2 17     2
3       3  5     2

【讨论】：

【解决方案6】：

另一个data.table解决方案：

library(data.table)
setDT(group)[, head(.SD[order(-pt)], 1), by = .(Subject)]

【讨论】：

【解决方案7】：

另一个data.table 选项：

library(data.table)
setDT(group)
group[group[order(-pt), .I[1L], Subject]$V1]

或另一个（可读性较差但速度稍快）：

group[group[, rn := .I][order(Subject, -pt), {
    rn[c(1L, 1L + which(diff(Subject)>0L))]
}]]

计时码：

library(data.table)
nr <- 1e7L
ng <- nr/4L
set.seed(0L)
DT <- data.table(Subject=sample(ng, nr, TRUE), pt=1:nr)#rnorm(nr))
DT2 <- copy(DT)


microbenchmark::microbenchmark(times=3L,
    mtd0 = {a0 <- DT[DT[, .I[which.max(pt)], by=Subject]$V1]},
    mtd1 = {a1 <- DT[DT[order(-pt), .I[1L], Subject]$V1]},
    mtd2 = {a2 <- DT2[DT2[, rn := .I][
        order(Subject, -pt), rn[c(TRUE, diff(Subject)>0L)]
    ]]},
    mtd3 = {a3 <- unique(DT[order(Subject, -pt)], by="Subject")}
)
fsetequal(a0[order(Subject)], a1[order(Subject)])
#[1] TRUE
fsetequal(a0[order(Subject)], a2[, rn := NULL][order(Subject)])
#[1] TRUE
fsetequal(a0[order(Subject)], a3[order(Subject)])
#[1] TRUE

时间安排：

Unit: seconds
 expr      min       lq     mean   median       uq      max neval
 mtd0 3.256322 3.335412 3.371439 3.414502 3.428998 3.443493     3
 mtd1 1.733162 1.748538 1.786033 1.763915 1.812468 1.861022     3
 mtd2 1.136307 1.159606 1.207009 1.182905 1.242359 1.301814     3
 mtd3 1.123064 1.166161 1.228058 1.209257 1.280554 1.351851     3

【讨论】：

【解决方案8】：

另一种基本解决方案

group_sorted <- group[order(group$Subject, -group$pt),]
group_sorted[!duplicated(group_sorted$Subject),]

# Subject pt Event
#       1  5     2
#       2 17     2
#       3  5     2

按pt（降序）对数据框进行排序，然后删除Subject中重复的行

【讨论】：

【解决方案9】：

另一种基本的 R 解决方案：

merge(aggregate(pt ~ Subject, max, data = group), group)

  Subject pt Event
1       1  5     2
2       2 17     2
3       3  5     2

【讨论】：

【解决方案10】：

这是另一个data.table 解决方案，因为which.max 不适用于字符

library(data.table)
group <- data.table(Subject=ID, pt=Value, Event=Event)

group[, .SD[order(pt, decreasing = TRUE) == 1], by = Subject]

【讨论】：

【解决方案11】：

dplyr 解决方案：

library(dplyr)
ID <- c(1,1,1,2,2,2,2,3,3)
Value <- c(2,3,5,2,5,8,17,3,5)
Event <- c(1,1,2,1,2,1,2,2,2)
group <- data.frame(Subject=ID, pt=Value, Event=Event)

group %>%
    group_by(Subject) %>%
    summarize(max.pt = max(pt))

这会产生以下数据框：

  Subject max.pt
1       1      5
2       2     17
3       3      5

【讨论】：

我认为 OP 希望将 Event 列保留在子集中，在这种情况下您可以这样做：df %>% group_by(Subject) %>% filter(pt == max(pt))（如果存在则包括领带）

【解决方案12】：

如果你想要一个主题的最大 pt 值，你可以简单地使用：

   pt_max = as.data.frame(aggregate(pt~Subject, group, max))

【讨论】：

【解决方案13】：

do.call(rbind, lapply(split(group,as.factor(group$Subject)), function(x) {return(x[which.max(x$pt),])}))

使用基地R

【讨论】：

【解决方案14】：

另一个选项是slice

library(dplyr)
group %>%
     group_by(Subject) %>%
     slice(which.max(pt))
#    Subject    pt Event
#    <dbl> <dbl> <dbl>
#1       1     5     2
#2       2    17     2
#3       3     5     2

【讨论】：

【解决方案15】：

使用data.table 的更短的解决方案：

setDT(group)[, .SD[which.max(pt)], by=Subject]
#    Subject pt Event
# 1:       1  5     2
# 2:       2 17     2
# 3:       3  5     2

【讨论】：

请注意，这可能比@Arun 上面提出的group[group[, .I[which.max(pt)], by=Subject]$V1] 慢；查看比较here
我喜欢这个，因为它对于我当前的上下文来说足够快，并且比 .I 版本更容易理解
setDT(group)[, .SD[ pt== max(pt) ] , by=Subject]

【解决方案16】：

这是data.table 解决方案：

require(data.table) ## 1.9.2
group <- as.data.table(group)

如果您想在每个组中保留与pt 的最大值对应的所有条目：

group[group[, .I[pt == max(pt)], by=Subject]$V1]
#    Subject pt Event
# 1:       1  5     2
# 2:       2 17     2
# 3:       3  5     2

如果您只想要pt 的第一个最大值：

group[group[, .I[which.max(pt)], by=Subject]$V1]
#    Subject pt Event
# 1:       1  5     2
# 2:       2 17     2
# 3:       3  5     2

在这种情况下，它没有任何区别，因为您的数据中的任何组中都没有多个最大值。

【讨论】：

自 2014 年以来 data.table 发生了很多变化，这仍然是这个问题的最快/最佳解决方案吗？
@Ben，在这种情况下，最快的答案仍然是这个，是的。 .SD 这些案例的优化仍在列表中。关注#735。
嗨，这里的 $V1 是什么？ #菜鸟
访问自动命名的列。在没有它的情况下运行它以更好地理解。
@HappyCoding，看看?`.I`，看看那里的解释和例子是否有帮助？

【解决方案17】：

我不确定你想对 Event 列做什么，但如果你也想保留它，怎么样

isIDmax <- with(dd, ave(Value, ID, FUN=function(x) seq_along(x)==which.max(x)))==1
group[isIDmax, ]

#   ID Value Event
# 3  1     5     2
# 7  2    17     2
# 9  3     5     2

这里我们使用ave 查看每个“ID”的“值”列。然后我们确定哪个值是最大值，然后将其转换为一个逻辑向量，我们可以使用它来对原始 data.frame 进行子集化。

【讨论】：

非常感谢，但我还有另一个问题。为什么在这种方法中使用 with function，因为 ave(Value, ID, FUN=function(x) seq_along(x)==which.max(x))==1 工作得非常好？我有点困惑。
我使用了with，因为在group data.frame 内部和外部都提供数据有点奇怪。如果您使用read.table 或其他方式读取数据，则需要使用with，因为这些列名在data.frame 之外不可用。