我正在对一个data.table进行分组，并希望从每个组中选择第一行满足x == 1的行，如果不存在这样的行，则选择具有任何x值的第一行
我正在对一个data.table进行分组，并希望从每个组中选择第一行满足x == 1的行，如果不存在这样的行，则选择具有任何x值的第一行
d <- data.table(
a = c(1,1,1, 2,2, 3,3),
x = c(0,1,0, 0,0, 1,1),
y = c(1,2,3, 1,2, 1,2)
)
这次尝试
d[, ifelse(any(.SD[,x] == 1),.SD[x == 1][1], .SD[1]), by = a]
a V1
1: 1 1
2: 2 0
3: 3 1
但我期望
a x y
1: 1 1 2
2: 2 0 1
3: 3 1 1
有什么办法可以做得正确吗？
我认为这是同时使用match和nomatch参数的一个很好的用例
d[, .SD[match(1L, x, nomatch = 1L)], by = a]
# a x y
# 1: 1 1 2
# 2: 2 0 1
# 3: 3 1 1
如果找不到匹配项，则基本上返回1，结果将为您提供组中的第一行。如果存在多个匹配项，则会根据您的要求返回第一个匹配项。
另一种选择（which.max 基本上就是为了做你想要的事情而设计的）：
d[, .SD[which.max(x == 1)], by = a]
# a x y
#1: 1 1 2
#2: 2 0 1
#3: 3 1 1
我们也可以使用 .I 来返回行索引，并将其用于子集化行。
d[d[, .I[which.max(x==1)], by = a]$V1]
# a x y
#1: 1 1 2
#2: 2 0 1
#3: 3 1 1
在当前版本的data.table中，相比于.SD，.I方法在子集行方面更加高效（但这在未来可能会改变）。这也是一个类似的帖子
另一种选择是使用order（为了效率还可以使用setkey）对数据集按'a'和'x'分组后排序，然后用head获取第一行。
d[order(a ,-x), head(.SD, 1) ,by = a]
# a x y
#1: 1 1 2
#2: 2 0 1
#3: 3 1 1
我们最初考虑在超过100万行的数据上进行性能测试，但是.SD方法的运行时间较长，因此我们选择在使用data.table_1.9.7时仅比较3e5行数据。
set.seed(24)
d1 <- data.table(a = rep(1:1e5, 3), x = sample(0:1, 1e5*3,
replace=TRUE), y = rnorm(1e5*3))
system.time(d1[, .SD[which.max(x == 1)], by = a])
# user system elapsed
# 56.21 30.64 86.42
system.time(d1[, .SD[match(1L, x, nomatch = 1L)], by = a])
# user system elapsed
# 55.27 30.07 83.75
system.time(d1[d1[, .I[which.max(x==1)], by = a]$V1])
# user system elapsed
# 0.19 0.00 0.19
system.time(d1[order(a ,-x), head(.SD, 1) ,by = a])
# user system elapsed
# 0.03 0.00 0.04
ifelse。在这种情况下，您只想为每个“a”子集一个单独的行。在这种情况下，您可以使用if。即d[, if(any(.SD[,x] == 1)) .SD[x == 1][1] else .SD[1], by = a]但是，这可能会很慢，因为我们三次使用了.SD，并且不推荐。另一种情况是ifelse适用于vectors。 - akrun
ifelse将返回与第一个参数的长度相同的长度。(见?ifelse) 在这种情况下，第一个参数是单个逻辑值。我将ifelse用作最后的手段。即使在这种情况下，大多数情况下我也不使用它。并且我建议远离它。除了所有这些要记住的事情之外，它还很慢。 - Arun