各グループで最大値の行を選択する方法

98

各被験者に複数の観測値があるデータセットで、各レコードの最大データ値のみを含むサブセットを取得したいと思います。たとえば、次のデータセットを使用します。

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)

被験者1、2、および3は、それぞれ5、17、および5の最大のpt値を持っています。

最初に各被験者の最大のpt値を見つけてから、この観測値を別のデータフレームに配置するにはどうすればよいですか？結果のデータフレームには、各サブジェクトの最大のpt値のみが含まれている必要があります。

r  dataframe  r-faq 
— Xinting WANG
ソース
2
これは非常に密接に関連してではなく、最大の最小値のためであるstackoverflow.com/questions/24070714/...
— デヴィッドArenburg
— Henrik

回答:

97

ここだdata.table解決策は：

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

pt各グループ内の最大値に対応するすべてのエントリを保持する場合：

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

の最初の最大値だけが必要な場合pt：

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

この場合、データ内のどのグループにも複数の最大値がないため、違いはありません。

— アルン
ソース
2
data.tableは2014年以来多くの変更が加えられていますが、これはこの質問に対する最速/最良の解決策ですか？
— ベン
2
@Ben、この場合、最速の答えはまだこれです、はい。.SDこれらの場合の最適化はまだリストにあります。＃735に注目してください。
— アルン2016年
6
こんにちは、ここの$ V1とは何ですか？#noob
— sriharsha KB
1
自動名前付き列へのアクセス。理解を深めるために、それなしで実行してください。
— アルン2016年
2
@HappyCoding、見て、?`.I`そこにある説明と例が役立つかどうかを確認してください。
— アルン2017年
67

最も直感的な方法は、dplyrでgroup_by関数とtop_n関数を使用することです。

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

あなたが得る結果は

    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
— Xi Liang
ソース
2
dplyrは、値が配列として使用できるため、グループ内の最小値と最大値にアクセスする場合にも役立ちます。：あなたは、最初の並べ替えPT降順によると、最初のPT [1]または（PT）を使用し、最高値を取得することができるように group %>% group_by(Subject) %>% arrange(desc(pt), .by_group = TRUE) %>% summarise(max_pt=first(pt), min_pt=last(pt), Event=first(Event))
— CW」を
4
同点の場合、これには複数の行が含まれます。slice(which.max(pt))グループごとに1つの行のみを含めるために使用します。
— cakraww
37

を使用したより短いソリューションdata.table：

setDT(group)[, .SD[which.max(pt)], by=Subject]
#    Subject pt Event
# 1:       1  5     2
# 2:       2 17     2
# 3:       3  5     2
— マーク・チャムネス
ソース
4
これはgroup[group[, .I[which.max(pt)], by=Subject]$V1]、@ Arunによって上記で提案されたものよりも遅くなる可能性があることに注意してください。比較を参照してここに
— バレンティン
1
私はこれが好きです。なぜなら、それは私の現在のコンテキストに対して十分に高速であり、.Iバージョンと比較して私にとっては簡単に
— 理解
SETDT（群）、.SD [PT == MAX（PT）]、によって=件名]
— Ferroao
22

別のオプションは 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
— akrun
ソース
14

dplyr解決策：

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))

これにより、次のデータフレームが生成されます。

  Subject max.pt
1       1      5
2       2     17
3       3      5
— tkmckenzie
ソース
11
OPは、Event列をサブセットに保持したいと考えています。その場合は、次のことができます。df %>% group_by(Subject) %>% filter(pt == max(pt))（存在する場合は同点を含む）
— talat 2014
8

[イベント]列について何をしたいのかわかりませんでしたが、それも維持したい場合はどうでしょうか。

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

ここではave、各「ID」の「値」列を確認するために使用します。次に、どの値が最大であるかを判別し、それを元のdata.frameのサブセット化に使用できる論理ベクトルに変換します。

— MrFlick
ソース
どうもありがとうございましたが、ここで別の質問があります。ave（Value、ID、FUN = function（x）seq_along（x）== which.max（x））== 1が非常にうまく機能するのに、なぜこのメソッドで関数を使用するのですか？私は少し混乱しています。
— Xinting WANG 2014
data.frameのwith内側と外側の両方でデータを利用できるようにするのは少し奇妙なので、私は使用しgroupました。でデータを読み込む場合、これらの列名はdata.frameの外部では使用できないため、read.tableを使用する必要withがあります。
— MrFlick 2014
6 
do.call(rbind, lapply(split(group,as.factor(group$Subject)), function(x) {return(x[which.max(x$pt),])}))

ベースの使用 R

— Kalees Waran
ソース
6

{dplyr} v1.0.0（2020年5月）以降、slice_*に取って代わる新しい構文がありますtop_n()。

https://dplyr.tidyverse.org/reference/slice.htmlも参照してください。

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

reprexパッケージ（v0.3.0.9001）によって2020-08-18に作成されました

セッション情報 
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
— pat-s
ソース
5

別の基本ソリューション

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

データフレームをpt（降順で）並べ替えてから、で重複している行を削除します。Subject

— 類人猿
ソース
3

もう1つのベースRソリューション：

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

  Subject pt Event
1       1  5     2
2       2 17     2
3       3  5     2
— sindri_baldur
ソース
2

キャラクターでは機能しないdata.tableため、別の解決策which.maxがあります

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

group[, .SD[order(pt, decreasing = TRUE) == 1], by = Subject]
— 京馬G
ソース
1

byはtapplyデータフレームのバージョンです。

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

クラスのオブジェクトを返すbyので、データフレームに変換します。

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

でベースを使用できave得るためにmaxグループごととし、これを比較ptし、サブセットに論理ベクトルを取得します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

または、関数内ですでに比較します。

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
— GKi
ソース
0

別のdata.tableオプション：

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

または別の（読みにくいが少し速い）：

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

タイミングコード：

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

タイミング：

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
— chinsoon12
ソース
0

dplyr 1.0.2を使用すると、これを行う2つの方法があります。1つはロングハンドで、もう1つは動詞across（）を使用します。

      # 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)

長い間、動詞はmax（）ですが、na.rm = TRUEに注意してください。これは、閉じた質問のようにNAがある例に役立ちます。行が互いに素でNAを含むデータフレーム内の行をマージします。

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

これは、列が数個しかない場合は問題ありませんが、テーブルに多数の列がある場合は、cross（）が役立ちます。この動詞の例は、多くの場合、summarise（across（start_with ...）を使用していますが、この例では、列が同じ文字で始まっていません。変更するか、位置をリストすることができます。

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

動詞across（）1は、最初の実際の列の後の最初の列を参照するため、ncol（group）を使用すると、列が多すぎるため機能しません（3ではなく4の位置になります）。

— ゾエターナー
ソース
-1

サブジェクトに最大のpt値が必要な場合は、次を使用できます。

   pt_max = as.data.frame(aggregate(pt~Subject, group, max))
— ムティアラマ
ソース
弊社のサイトを使用することにより、あなたは弊社のクッキーポリシーおよびプライバシーポリシーを読み、理解したものとみなされます。
Licensed under cc by-sa 3.0 with attribution required.