グループで最初の行を選択します

Question 1

このようなデータフレームから

test <- data.frame('id'= rep(1:5,2), 'string'= LETTERS[1:10])
test <- test[order(test$id), ]
rownames(test) <- 1:10

> test
    id string
 1   1      A
 2   1      F
 3   2      B
 4   2      G
 5   3      C
 6   3      H
 7   4      D
 8   4      I
 9   5      E
 10  5      J

各ID /文字列ペアの最初の行で新しいものを作成したいと思います。sqldfがその中のRコードを受け入れた場合、クエリは次のようになります。

res <- sqldf("select id, min(rownames(test)), string 
              from test 
              group by id, string")

> res
    id string
 1   1      A
 3   2      B
 5   3      C
 7   4      D
 9   5      E

次のような新しい列を作成する以外の解決策はありますか

test$row <- rownames(test)

min（row）で同じsqldfクエリを実行しますか？

Question 2

duplicatedこれを非常に迅速に行うために使用できます。

test[!duplicated(test$id),]

スピードフリークのためのベンチマーク：

ju <- function() test[!duplicated(test$id),]
gs1 <- function() do.call(rbind, lapply(split(test, test$id), head, 1))
gs2 <- function() do.call(rbind, lapply(split(test, test$id), `[`, 1, ))
jply <- function() ddply(test,.(id),function(x) head(x,1))
jdt <- function() {
  testd <- as.data.table(test)
  setkey(testd,id)
  # Initial solution (slow)
  # testd[,lapply(.SD,function(x) head(x,1)),by = key(testd)]
  # Faster options :
  testd[!duplicated(id)]               # (1)
  # testd[, .SD[1L], by=key(testd)]    # (2)
  # testd[J(unique(id)),mult="first"]  # (3)
  # testd[ testd[,.I[1L],by=id] ]      # (4) needs v1.8.3. Allows 2nd, 3rd etc
}

library(plyr)
library(data.table)
library(rbenchmark)

# sample data
set.seed(21)
test <- data.frame(id=sample(1e3, 1e5, TRUE), string=sample(LETTERS, 1e5, TRUE))
test <- test[order(test$id), ]

benchmark(ju(), gs1(), gs2(), jply(), jdt(),
    replications=5, order="relative")[,1:6]
#     test replications elapsed relative user.self sys.self
# 1   ju()            5    0.03    1.000      0.03     0.00
# 5  jdt()            5    0.03    1.000      0.03     0.00
# 3  gs2()            5    3.49  116.333      2.87     0.58
# 2  gs1()            5    3.58  119.333      3.00     0.58
# 4 jply()            5    3.69  123.000      3.11     0.51

もう一度試してみましょう。ただし、最初のヒートからの候補者だけで、より多くのデータとより多くのレプリケーションを使用します。

set.seed(21)
test <- data.frame(id=sample(1e4, 1e6, TRUE), string=sample(LETTERS, 1e6, TRUE))
test <- test[order(test$id), ]
benchmark(ju(), jdt(), order="relative")[,1:6]
#    test replications elapsed relative user.self sys.self
# 1  ju()          100    5.48    1.000      4.44     1.00
# 2 jdt()          100    6.92    1.263      5.70     1.15

Question 3

私はdplyrアプローチを好みます。

group_by(id) 続いていずれか

filter(row_number()==1) または
slice(1) または
slice_head(1) ＃（dplyr => 1.0）
top_n(n = -1)
- top_n()内部的にランク関数を使用します。ネガティブはランクの一番下から選択します。

場合によっては、group_byの後にIDを配置する必要があります。

library(dplyr)

# using filter(), top_n() or slice()

m1 <-
test %>% 
  group_by(id) %>% 
  filter(row_number()==1)

m2 <-
test %>% 
  group_by(id) %>% 
  slice(1)

m3 <-
test %>% 
  group_by(id) %>% 
  top_n(n = -1)

3つのメソッドすべてが同じ結果を返します

# A tibble: 5 x 2
# Groups:   id [5]
     id string
  <int> <fct> 
1     1 A     
2     2 B     
3     3 C     
4     4 D     
5     5 E

Question 4

どうですか

DT <- data.table(test)
setkey(DT, id)

DT[J(unique(id)), mult = "first"]

編集

data.tablesキーで最初の行を返す独自のメソッドもあります

jdtu <- function() unique(DT)

testベンチマーク外で注文する場合は、ベンチマークからsetkeyとdata.table変換を削除することもできると思います（setkeyは基本的にidでソートされるため、と同じですorder）。

set.seed(21)
test <- data.frame(id=sample(1e3, 1e5, TRUE), string=sample(LETTERS, 1e5, TRUE))
test <- test[order(test$id), ]
DT <- data.table(DT, key = 'id')
ju <- function() test[!duplicated(test$id),]

jdt <- function() DT[J(unique(id)),mult = 'first']


 library(rbenchmark)
benchmark(ju(), jdt(), replications = 5)
##    test replications elapsed relative user.self sys.self 
## 2 jdt()            5    0.01        1      0.02        0        
## 1  ju()            5    0.05        5      0.05        0

そしてより多くのデータで

**独自の方法で編集**

set.seed(21)
test <- data.frame(id=sample(1e4, 1e6, TRUE), string=sample(LETTERS, 1e6, TRUE))
test <- test[order(test$id), ]
DT <- data.table(test, key = 'id')
       test replications elapsed relative user.self sys.self 
2  jdt()            5    0.09     2.25      0.09     0.00    
3 jdtu()            5    0.04     1.00      0.05     0.00      
1   ju()            5    0.22     5.50      0.19     0.03

ユニークな方法はここで最速です。

Question 5

簡単なddplyオプション：

ddply(test,.(id),function(x) head(x,1))

速度が問題になる場合は、次の方法で同様のアプローチをとることができますdata.table。

testd <- data.table(test)
setkey(testd,id)
testd[,.SD[1],by = key(testd)]

または、これはかなり速いかもしれません：

testd[testd[, .I[1], by = key(testd]$V1]

Question 6

さて、のためdplyrに、別個のカウンターを追加します。

df %>%
    group_by(aa, bb) %>%
    summarise(first=head(value,1), count=n_distinct(value))

グループを作成し、グループ内に要約します。

データが数値の場合は、次を使用できます：の代わりに
first(value)[もありますlast(value)]head(value, 1)

参照：http： //cran.rstudio.com/web/packages/dplyr/vignettes/introduction.html

フル：

> df
Source: local data frame [16 x 3]

   aa bb value
1   1  1   GUT
2   1  1   PER
3   1  2   SUT
4   1  2   GUT
5   1  3   SUT
6   1  3   GUT
7   1  3   PER
8   2  1   221
9   2  1   224
10  2  1   239
11  2  2   217
12  2  2   221
13  2  2   224
14  3  1   GUT
15  3  1   HUL
16  3  1   GUT

> library(dplyr)
> df %>%
>   group_by(aa, bb) %>%
>   summarise(first=head(value,1), count=n_distinct(value))

Source: local data frame [6 x 4]
Groups: aa

  aa bb first count
1  1  1   GUT     2
2  1  2   SUT     2
3  1  3   SUT     3
4  2  1   221     3
5  2  2   217     3
6  3  1   GUT     2

Question 7

（1）SQLiteにはrowid疑似列が組み込まれているため、これは機能します。

sqldf("select min(rowid) rowid, id, string 
               from test 
               group by id")

与える：

  rowid id string
1     1  1      A
2     3  2      B
3     5  3      C
4     7  4      D
5     9  5      E

（2）sqldfそれ自体にもrow.names=引数があります：

sqldf("select min(cast(row_names as real)) row_names, id, string 
              from test 
              group by id", row.names = TRUE)

与える：

  id string
1  1      A
3  2      B
5  3      C
7  4      D
9  5      E

（3）上記の2つの要素を混合する3番目の選択肢はさらに良いかもしれません：

sqldf("select min(rowid) row_names, id, string 
               from test 
               group by id", row.names = TRUE)

与える：

  id string
1  1      A
3  2      B
5  3      C
7  4      D
9  5      E

これらの3つはすべて、SQLのSQLite拡張機能に依存しており、minまたはを使用するとmax、同じ行から他の列が選択されることが保証されていることに注意してください。（他のSQLベースのデータベースでは保証されない場合があります。）

Question 8

ベースRオプションがあるsplit()- - lapply()：do.call()イディオム

> do.call(rbind, lapply(split(test, test$id), head, 1))
  id string
1  1      A
2  2      B
3  3      C
4  4      D
5  5      E

より直接的なオプションはlapply()、[関数です。

> do.call(rbind, lapply(split(test, test$id), `[`, 1, ))
  id string
1  1      A
2  2      B
3  3      C
4  4      D
5  5      E

呼び出し1, )の最後のコンマスペースは、最初の行とすべての列を選択するための呼び出しと同等であるため、不可欠です。lapply()[1, ]