Wie entferne ich alle bis auf einen bestimmten doppelten Datensatz in einem R-Datenrahmen? [geschlossen]

Ich habe einen Datenrahmen, der einige doppelte IDs enthält. Ich möchte Datensätze mit doppelten IDs entfernen und nur die Zeile mit dem Maximalwert beibehalten.

Also für so strukturiert (andere Variablen nicht gezeigt):

id var_1
1 2
1 4
2 1
2 3
3 5
4 2

Ich möchte folgendes generieren:

id var_1
1 4
2 3
3 5
4 2

Ich kenne unique () und duplicated (), aber ich kann nicht herausfinden, wie ich die Maximierungsregel einbauen soll ...

Eine Möglichkeit besteht darin, die Daten in umgekehrter Reihenfolge zu sortieren und duplicatedalle Duplikate zu löschen. Für mich ist diese Methode konzeptionell einfacher als die, die zur Anwendung kommen. Ich denke, es sollte auch sehr schnell gehen.

# Some data to start with:
z <- data.frame(id=c(1,1,2,2,3,4),var=c(2,4,1,3,5,2))
# id var
#  1   2
#  1   4
#  2   1
#  2   3
#  3   5
#  4   2

# Reverse sort
z <- z[order(z$id, z$var, decreasing=TRUE),]
# id var
#  4   2
#  3   5
#  2   3
#  2   1
#  1   4
#  1   2

# Keep only the first row for each duplicate of z$id; this row will have the
# largest value for z$var
z <- z[!duplicated(z$id),]

# Sort so it looks nice
z <- z[order(z$id, z$var),]
# id var
#  1   4
#  2   3
#  3   5
#  4   2

Bearbeiten: Ich habe gerade festgestellt, dass die umgekehrte Sortierung oben überhaupt nicht sortieren muss id. Sie könnten z[order(z$var, decreasing=TRUE),]stattdessen einfach verwenden und es wird genauso gut funktionieren.

Noch ein Gedanke ... Wenn die varSpalte numerisch ist, gibt es eine einfache Möglichkeit, idaufsteigend zu sortieren , aber varabsteigend. Dies macht die Sortierung am Ende überflüssig (vorausgesetzt, Sie wollten sogar, dass sie sortiert wird).

z <- data.frame(id=c(1,1,2,2,3,4),var=c(2,4,1,3,5,2))

# Sort: id ascending, var descending
z <- z[order(z$id, -z$var),]

# Remove duplicates
z <- z[!duplicated(z$id),]
# id var
#  1   4
#  2   3
#  3   5
#  4   2

Sie möchten tatsächlich das maximale Element aus den Elementen mit derselben ID auswählen. Dafür können Sie ddplyaus dem Paket plyr folgendes verwenden :

> dt<-data.frame(id=c(1,1,2,2,3,4),var=c(2,4,1,3,4,2))
> ddply(dt,.(id),summarise,var_1=max(var))
   id var_1
1  1   4
2  2   3
3  3   4
4  4   2

uniqueund duplicateddient zum Entfernen doppelter Datensätze. In Ihrem Fall haben Sie nur doppelte IDs, keine Datensätze.

Update: Hier ist der Code, wenn es zusätzliche Variablen gibt:

> dt<-data.frame(id=c(1,1,2,2,3,4),var=c(2,4,1,3,4,2),bu=rnorm(6))
> ddply(dt,~id,function(d)d[which.max(d$var),])

Die Base-R-Lösung würde folgendermaßen splitaussehen:

z<-data.frame(id=c(1,1,2,2,3,4),var=c(2,4,1,3,4,2))
do.call(rbind,lapply(split(z,z$id),function(chunk) chunk[which.max(chunk$var),]))

splitTeilt den Datenrahmen in eine Liste von Blöcken auf, in denen auf die einzelne Zeile mit dem Maximalwert geschnitten wird, und do.call(rbind,...)reduziert dann die Liste der einzelnen Zeilen wieder in einen Datenrahmen.

Ich benutze lieber ave

dt<-data.frame(id=c(1,1,2,2,3,4),var=c(2,4,3,3,4,2))
## use unique if you want to exclude duplicate maxima
unique(subset(dt, var==ave(var, id, FUN=max)))

Noch eine andere Möglichkeit, dies mit base zu tun:

dt<-data.frame(id=c(1,1,2,2,3,4),var=c(2,4,1,3,4,2))

data.frame(id=sort(unique(dt$var)),max=tapply(dt$var,dt$id,max))
  id max
1  1   4
2  2   3
3  3   4
4  4   2

Ich bevorzuge jedoch die Plyr-Lösung von mpiktas.

Wenn sich die Spalte var wie im Beispiel bereits in aufsteigender Reihenfolge befindet, müssen wir den Datenrahmen nicht sortieren. Wir verwenden nur die Funktion, duplicateddie das Argument übergibt fromLast = TRUE, sodass die Duplizierung von der Rückseite aus betrachtet wird und die letzten Elemente beibehalten werden:

z <- data.frame(id=c(1,1,2,2,3,4),var=c(2,4,1,3,5,2))
z[!duplicated(z$id, fromLast = TRUE), ]

  id var
2  1   4
4  2   3
5  3   5
6  4   2

Andernfalls sortieren wir den Datenrahmen zuerst in aufsteigender Reihenfolge:

z <- z[order(z$id, z$var), ]
z[!duplicated(z$id, fromLast = TRUE), ]

Verwendung des dplyrPakets:

library(dplyr)
z %>%
  group_by(id) %>%
  summarise(var = max(var))

Source: local data frame [4 x 2]    
  id var
1  1   4
2  2   3
3  3   5
4  4   2