Bagaimana cara menghapus semua kecuali satu catatan duplikat tertentu dalam bingkai data R? [Tutup]

Saya memiliki bingkai data yang berisi beberapa id duplikat. Saya ingin menghapus catatan dengan id duplikat, hanya menjaga baris dengan nilai maksimum.

Jadi untuk terstruktur seperti ini (variabel lain tidak diperlihatkan):

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

Saya ingin menghasilkan ini:

id var_1
1 4
2 3
3 5
4 2

Saya tahu tentang unik () dan digandakan (), tetapi saya tidak tahu cara memasukkan aturan maksimalisasi ...

Salah satu caranya adalah membalikkan data dan menggunakannya duplicateduntuk menjatuhkan semua duplikat. Bagi saya, metode ini secara konsep lebih sederhana daripada yang digunakan berlaku. Saya pikir itu harus sangat cepat juga.

# 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

Sunting: Saya baru menyadari bahwa penyortir terbalik di atas bahkan tidak perlu disortir idsama sekali. Anda bisa menggunakan z[order(z$var, decreasing=TRUE),]saja dan itu akan berfungsi dengan baik.

Satu lagi pemikiran ... Jika varkolom itu numerik, maka ada cara sederhana untuk mengurutkan sehingga idnaik, tetapi varmenurun. Ini menghilangkan kebutuhan untuk menyortir di akhir (dengan asumsi Anda bahkan ingin diurutkan).

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

Anda sebenarnya ingin memilih elemen maksimum dari elemen dengan id yang sama. Untuk itu Anda bisa menggunakan ddplydari plyr paket :

> 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

uniquedan duplicateduntuk menghapus rekaman duplikat, dalam kasus Anda, Anda hanya memiliki id duplikat, bukan catatan.

Pembaruan: Ini adalah kode ketika ada variabel tambahan:

> 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),])

Solusi base-R akan melibatkan split, seperti ini:

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),]))

splitmemecah frame data menjadi daftar potongan, di mana kami melakukan pemotongan ke baris tunggal dengan nilai maksimal dan kemudian do.call(rbind,...)mengurangi daftar baris tunggal ke dalam bingkai data lagi.

Saya lebih suka menggunakan 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)))

Namun cara lain untuk melakukan ini dengan basis:

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

Saya lebih suka solusi plyr mpiktas 'sekalipun.

Jika, seperti pada contoh, kolom var sudah dalam urutan menaik, kita tidak perlu mengurutkan bingkai data. Kami hanya menggunakan fungsi yang duplicatedmelewati argumen fromLast = TRUE, jadi duplikasi dianggap dari sisi sebaliknya, menjaga elemen terakhir:

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

Kalau tidak, kita mengurutkan frame data dalam urutan naik terlebih dahulu:

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

Menggunakan dplyrpaket:

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