按组获取最高值

Question

按组获取最高值

118

这里是一个数据框的样例：

d <- data.frame(
  x   = runif(90),
  grp = gl(3, 30)
)

我想要包含每个grp值的前5个x值所在行的d子集。

使用基本R，我的方法大致如下：

ordered <- d[order(d$x, decreasing = TRUE), ]    
splits <- split(ordered, ordered$grp)
heads <- lapply(splits, head)
do.call(rbind, heads)
##              x grp
## 1.19 0.8879631   1
## 1.4  0.8844818   1
## 1.12 0.8596197   1
## 1.26 0.8481809   1
## 1.18 0.8461516   1
## 1.29 0.8317092   1
## 2.31 0.9751049   2
## 2.34 0.9269764   2
## 2.57 0.8964114   2
## 2.58 0.8896466   2
## 2.45 0.8888834   2
## 2.35 0.8706823   2
## 3.74 0.9884852   3
## 3.73 0.9837653   3
## 3.83 0.9375398   3
## 3.64 0.9229036   3
## 3.69 0.8021373   3
## 3.86 0.7418946   3

使用 dplyr，我本来以为这会起作用：

d %>%
  arrange_(~ desc(x)) %>%
  group_by_(~ grp) %>%
  head(n = 5)

但是它只返回前5行。

将head替换为top_n可以返回整个d。

d %>%
  arrange_(~ desc(x)) %>%
  group_by_(~ grp) %>%
  top_n(n = 5)

如何获取正确的子集？

- Richie Cotton

6个回答

44

使用data.table也非常简单...

library(data.table)
setorder(setDT(d), -x)[, head(.SD, 5), keyby = grp]

或者

setorder(setDT(d), grp, -x)[, head(.SD, 5), by = grp]

或者（对于大数据集来说应该更快，因为避免了对每个组调用.SD）

setorder(setDT(d), grp, -x)[, indx := seq_len(.N), by = grp][indx <= 5]

编辑： 这里是 dplyr 与 data.table 的比较（如果有人感兴趣）

set.seed(123)
d <- data.frame(
  x   = runif(1e6),
  grp = sample(1e4, 1e6, TRUE))

library(dplyr)
library(microbenchmark)
library(data.table)
dd <- copy(d)

microbenchmark(
  top_n = {d %>%
             group_by(grp) %>%
             top_n(n = 5, wt = x)},
  dohead = {d %>%
              arrange_(~ desc(x)) %>%
              group_by_(~ grp) %>%
              do(head(., n = 5))},
  slice = {d %>%
             arrange_(~ desc(x)) %>%
             group_by_(~ grp) %>%
             slice(1:5)},
  filter = {d %>% 
              arrange(desc(x)) %>%
              group_by(grp) %>%
              filter(row_number() <= 5L)},
  data.table1 = setorder(setDT(dd), -x)[, head(.SD, 5L), keyby = grp],
  data.table2 = setorder(setDT(dd), grp, -x)[, head(.SD, 5L), grp],
  data.table3 = setorder(setDT(dd), grp, -x)[, indx := seq_len(.N), grp][indx <= 5L],
  times = 10,
  unit = "relative"
)


#        expr        min         lq      mean     median        uq       max neval
#       top_n  24.246401  24.492972 16.300391  24.441351 11.749050  7.644748    10
#      dohead 122.891381 120.329722 77.763843 115.621635 54.996588 34.114738    10
#       slice  27.365711  26.839443 17.714303  26.433924 12.628934  7.899619    10
#      filter  27.755171  27.225461 17.936295  26.363739 12.935709  7.969806    10
# data.table1  13.753046  16.631143 10.775278  16.330942  8.359951  5.077140    10
# data.table2  12.047111  11.944557  7.862302  11.653385  5.509432  3.642733    10
# data.table3   1.000000   1.000000  1.000000   1.000000  1.000000  1.000000    10

新增一个速度略快的data.table解决方案：

set.seed(123L)
d <- data.frame(
    x   = runif(1e8),
    grp = sample(1e4, 1e8, TRUE))
setDT(d)
setorder(d, grp, -x)
dd <- copy(d)

library(microbenchmark)
microbenchmark(
    data.table3 = d[, indx := seq_len(.N), grp][indx <= 5L],
    data.table4 = dd[dd[, .I[seq_len(.N) <= 5L], grp]$V1],
    times = 10L
)

计时输出:

Unit: milliseconds
        expr      min       lq     mean   median        uq      max neval
 data.table3 826.2148 865.6334 950.1380 902.1689 1006.1237 1260.129    10
 data.table4 729.3229 783.7000 859.2084 823.1635  966.8239 1014.397    10

- David Arenburg

添加另一种 data.table 方法，应该会稍微快一些：dt <- setorder(setDT(dd), grp, -x); dt[dt[, .I[seq_len(.N) <= 5L], grp]$V1] - chinsoon12

@chinsoon12 请随意。我没有时间再次对这些解决方案进行基准测试。 - David Arenburg

添加另一个 data.table 方法更容易：setDT(d)[order(-x),x[1:5],keyby = .(grp)]。 - Tao Hu

@TaoHu，这与前两种解决方案非常相似。我认为“：”不会比“head”更好。 - David Arenburg

@DavidArenburg，是的，我同意你的看法。我认为最大的区别就是setorder比order更快。 - Tao Hu

36

你需要在调用 do 时将 head 包裹起来。在下面的代码中，. 代表当前分组（请参阅 do 帮助页面中对 ... 的描述）。

d %>%
  arrange_(~ desc(x)) %>%
  group_by_(~ grp) %>%
  do(head(., n = 5))

如akrun所提到的，slice是一种替代方法。

d %>%
  arrange_(~ desc(x)) %>%
  group_by_(~ grp) %>%
  slice(1:5)

虽然我没有询问，为了完整起见，一个可能的 data.table 版本如下（感谢 @Arun 进行修复）：

setDT(d)[order(-x), head(.SD, 5), by = grp]

- Richie Cotton

2

Richie，FWIW，你只需要添加一点点：setDT(d)[order(-x), head(.SD, 5L), by=grp]。 - Arun

这个答案有点过时，但如果你放弃使用 ~ 并改用 arrange 和 group_by 而不是 arrange_ 和 group_by_，第二部分就是惯用的方式。 - moodymudskipper

17

我的基础R方法会是：

ordered <- d[order(d$x, decreasing = TRUE), ]
ordered[ave(d$x, d$grp, FUN = seq_along) <= 5L,]

使用dplyr，slice的方法可能是最快的，但您还可以使用filter，这可能比使用do(head(., 5))更快：

d %>% 
  arrange(desc(x)) %>%
  group_by(grp) %>%
  filter(row_number() <= 5L)

dplyr 基准测试

set.seed(123)
d <- data.frame(
  x   = runif(1e6),
  grp = sample(1e4, 1e6, TRUE))

library(microbenchmark)

microbenchmark(
  top_n = {d %>%
             group_by(grp) %>%
             top_n(n = 5, wt = x)},
  dohead = {d %>%
              arrange_(~ desc(x)) %>%
              group_by_(~ grp) %>%
              do(head(., n = 5))},
  slice = {d %>%
             arrange_(~ desc(x)) %>%
             group_by_(~ grp) %>%
             slice(1:5)},
  filter = {d %>% 
              arrange(desc(x)) %>%
              group_by(grp) %>%
              filter(row_number() <= 5L)},
  times = 10,
  unit = "relative"
)

Unit: relative
   expr       min        lq    median        uq       max neval
  top_n  1.042735  1.075366  1.082113  1.085072  1.000846    10
 dohead 18.663825 19.342854 19.511495 19.840377 17.433518    10
  slice  1.000000  1.000000  1.000000  1.000000  1.000000    10
 filter  1.048556  1.044113  1.042184  1.180474  1.053378    10

- talat

2

如果在每个分组内，ordering变量不唯一，那么top_n(n = 1)仍然会为每个分组返回多行。为了精确选择每个分组中的一个实例，请为每行添加一个唯一变量：

set.seed(123)
d <- data.frame(
  x   = runif(90),
  grp = gl(3, 30))

d %>%
  mutate(rn = row_number()) %>% 
  group_by(grp) %>%
  top_n(n = 1, wt = rn)

- Jan Vydra

这只返回您的rn列（30、60、90）的最大值，而不是按grp分组的x的最大值。使用您的种子和参数n=1的顶部答案，我们有：[x grp]，[0.994 1] [0.963 2] [0.985 3]。在您的情况下[x grp rn]，[0.147 1 30] [0.374 2 60] [0.175 3 90]只返回与rn列对应的值。 - rubengavidia0x

0

另一种 data.table 解决方案，突出其简洁的语法：

setDT(d)
d[order(-x), .SD[1:5], grp]

- s_baldur

网页内容由stack overflow 提供, 点击上面的

可以查看英文原文，
原文链接

- Henrik · Accepted Answer

自 dplyr 1.0.0 开始，"slice_min() 和 slice_max()" 可以选择变量的最小或最大值行，取代了令人困惑的 "top_n()"。

d %>% group_by(grp) %>% slice_max(order_by = x, n = 5)
# # A tibble: 15 x 2
# # Groups:   grp [3]
#     x grp  
# <dbl> <fct>
#  1 0.994 1    
#  2 0.957 1    
#  3 0.955 1    
#  4 0.940 1    
#  5 0.900 1    
#  6 0.963 2    
#  7 0.902 2    
#  8 0.895 2    
#  9 0.858 2    
# 10 0.799 2    
# 11 0.985 3    
# 12 0.893 3    
# 13 0.886 3    
# 14 0.815 3    
# 15 0.812 3

在dplyr 1.0.0之前使用top_n:

关于?top_n中的wt参数:

默认使用 tbl 中的最后一个变量来排序。

你的数据集中最后一个变量是"grp"，而不是你想要排名的变量，这就是为什么你的top_n尝试"返回整个d"的原因。因此，如果你想按照数据集中的"x"进行排名，需要指定wt = x。

d %>%
  group_by(grp) %>%
  top_n(n = 5, wt = x)

数据:

set.seed(123)
d <- data.frame(
  x = runif(90),
  grp = gl(3, 30))