Jak usunąć wszystkie zduplikowane rekordy z wyjątkiem jednego w ramce danych R. [Zamknięte]

Mam ramkę danych, która zawiera zduplikowane identyfikatory. Chcę usunąć rekordy ze zduplikowanymi identyfikatorami, zachowując tylko wiersz o maksymalnej wartości.

Więc dla takiej struktury (inne zmienne nie pokazane):

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

Chcę wygenerować to:

id var_1
1 4
2 3
3 5
4 2

Wiem o unikalnych () i zduplikowanych (), ale nie mogę wymyślić, jak zastosować zasadę maksymalizacji ...

Jednym ze sposobów jest odwrotne sortowanie danych i użycie ich duplicateddo usunięcia wszystkich duplikatów. Dla mnie ta metoda jest koncepcyjnie prostsza niż te, które mają zastosowanie. Myślę, że powinien być również bardzo szybki.

# 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

Edycja: Właśnie zdałem sobie sprawę, że powyższe sortowanie odwrotne w ogóle nie wymaga sortowania id. Możesz po prostu użyć z[order(z$var, decreasing=TRUE),]zamiast tego i będzie działać równie dobrze.

Jeszcze jedna myśl ... Jeśli varkolumna jest liczbowa, istnieje prosty sposób sortowania, który idjest rosnący, ale varmalejący. Eliminuje to potrzebę sortowania na końcu (zakładając, że nawet chciałeś go posortować).

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

W rzeczywistości chcesz wybrać maksymalny element spośród elementów o tym samym identyfikatorze. Do tego możesz użyć ddplyz plyr pakietu :

> 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

uniquei duplicatedsłuży do usuwania zduplikowanych rekordów, w twoim przypadku masz tylko zduplikowane identyfikatory, a nie rekordy.

Aktualizacja: Oto kod, gdy istnieją dodatkowe zmienne:

> 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),])

Rozwiązanie Base-R wymagałoby split:

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),]))

splitdzieli ramkę danych na listę kawałków, na których wykonujemy cięcie do pojedynczego wiersza z maksymalną wartością, a następnie ponownie do.call(rbind,...)zmniejsza listę pojedynczych wierszy do ramki danych.

Wolę używać 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)))

Jeszcze inny sposób na zrobienie tego z bazą:

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

Wolę jednak rozwiązanie plyr mpiktas.

Jeśli, podobnie jak w przykładzie, kolumna var jest już w porządku rosnącym, nie musimy sortować ramki danych. Po prostu używamy funkcji duplicatedprzekazującej argument fromLast = TRUE, więc duplikacja jest rozważana z drugiej strony, zachowując ostatnie elementy:

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

W przeciwnym razie najpierw posortujemy ramkę danych w porządku rosnącym:

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

Używając dplyr pakietu:

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