101

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?

4

7 に答える 7

129

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

それを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
于 2012-11-07T23:12:54.090 に答える
64

私はdplyrアプローチを好みます。

group_by(id)いずれかが続く

  • filter(row_number()==1)また
  • slice(1)また
  • 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
于 2018-06-20T18:43:04.247 に答える
18

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)

ベンチマーク外で注文する場合は、ベンチマークからと変換test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)。setkeydata.tableorder

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        

ここでは独自の方法が最速です。

于 2012-11-08T00:12:09.793 に答える
14

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]
于 2012-11-07T22:50:49.943 に答える
10

ここで、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

満杯:

> 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
于 2014-07-29T12:03:18.090 に答える
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、さらに優れている可能性があります。

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いることに注意してください。この場合、minまたはを使用するmaxと、同じ行から他の列が選択されることが保証されます。(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。)

于 2012-11-08T17:15:38.603 に答える
5

基本Rオプションは---イディオムですsplit()lapply()do.call()

> 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に呼び出すのと同じであるため、不可欠です。lapply()[1, ]

于 2012-11-07T22:56:41.263 に答える