如何使用dplyr选择每个组中具有最大值的行？

Question

我希望用dplyr选择每个组中具有最大值的行。

首先，我生成了一些随机数据来说明我的问题。

set.seed(1)
df <- expand.grid(list(A = 1:5, B = 1:5, C = 1:5))
df$value <- runif(nrow(df))

在plyr中，我可以使用自定义函数来选择这一行。

library(plyr)
ddply(df, .(A, B), function(x) x[which.max(x$value),])

在dplyr中，我使用以下代码获取最大值，但不包括具有最大值的行（在本例中为C列）。

library(dplyr)
df %>% group_by(A, B) %>%
    summarise(max = max(value))

我该怎么实现这个？感谢任何建议。

sessionInfo()
R version 3.1.0 (2014-04-10)
Platform: x86_64-w64-mingw32/x64 (64-bit)

locale:
[1] LC_COLLATE=English_Australia.1252  LC_CTYPE=English_Australia.1252   
[3] LC_MONETARY=English_Australia.1252 LC_NUMERIC=C                      
[5] LC_TIME=English_Australia.1252    

attached base packages:
[1] stats     graphics  grDevices utils     datasets  methods   base     

other attached packages:
[1] dplyr_0.2  plyr_1.8.1

loaded via a namespace (and not attached):
[1] assertthat_0.1.0.99 parallel_3.1.0      Rcpp_0.11.1        
[4] tools_3.1.0        

- Bangyou

Answer 1

试一试：

result <- df %>% 
             group_by(A, B) %>%
             filter(value == max(value)) %>%
             arrange(A,B,C)

看起来可以工作：

identical(
  as.data.frame(result),
  ddply(df, .(A, B), function(x) x[which.max(x$value),])
)
#[1] TRUE

正如评论中指出的那样，如果您严格要求每个组只返回1行，则根据下面@RoyalITS的回答，可能更倾向于使用slice。 如果存在多个具有相同最大值的行，则此答案将返回多个行。

- thelatemail

---

在这种情况下，结果是相同的，因为不存在重复的最大值。否则，使用“filter”方法将返回每个组中所有最大值（行），而OP的ddply方法使用“which.max”仅返回每个组中的一个最大值（第一个）。要复制该行为，另一种选择是在dplyr中使用“slice(which.max(value))”。 - talat

根据@talat的评论，可以使用filter(row_number()==1)获得相同的结果。在分组之前对DF进行排序。 - Tiziano

Answer 2

df %>% group_by(A,B) %>% slice(which.max(value))

- RoyalTS

---

slice_max(.data, order_by, ..., n, prop, with_ties = TRUE)现在也是一个不错的选择... （说明：这句话是在讨论某个函数或选项的时候，提到了这个函数或选项也是一个值得考虑的选择） - Ben

Answer 3

你可以使用top_n

df %>% group_by(A, B) %>% top_n(n=1)

这将按最后一列（value）进行排名，并返回前 n=1 行。

目前，如果更改此默认值，则会导致错误（请参见 https://github.com/hadley/dplyr/issues/426 ）。

- mnel

---

请注意，领带会导致重复。 - Triamus

如果您的值不在最后一列，您可以使用 top_n 的 wt 参数。 df %>% group_by(A,B) %>% top_n(n=1, wt = value) - squiddle

Answer 4

这种更冗长的解决方案在出现重复的最大值时提供了更多控制（在本例中，它将随机选择其中一个对应的行）。

library(dplyr)
df %>% group_by(A, B) %>%
  mutate(the_rank  = rank(-value, ties.method = "random")) %>%
  filter(the_rank == 1) %>% select(-the_rank)

- nassimhddd

---

我认为这是一个很棒的方法，谢谢分享。 - Danny Bullis

Answer 5

更普遍地，我认为您可能希望获得在给定组内已经排序的行的“顶部”。

对于单个值被最大化的情况，您实际上只按一个列排序。但是，通常有用的是通过多个列进行按层次排序（例如：日期列和一列每天时间）。

# Answering the question of getting row with max "value".
df %>% 
  # Within each grouping of A and B values.
  group_by( A, B) %>% 
  # Sort rows in descending order by "value" column.
  arrange( desc(value) ) %>% 
  # Pick the top 1 value
  slice(1) %>% 
  # Remember to ungroup in case you want to do further work without grouping.
  ungroup()

# Answering an extension of the question of 
# getting row with the max value of the lowest "C".
df %>% 
  # Within each grouping of A and B values.
  group_by( A, B) %>% 
  # Sort rows in ascending order by C, and then within that by 
  # descending order by "value" column.
  arrange( C, desc(value) ) %>% 
  # Pick the one top row based on the sort
  slice(1) %>% 
  # Remember to ungroup in case you want to do further work without grouping.
  ungroup()

- Kalin

---

当您使用 arrange(desc(value)) 时，值是否被分组？我想在那里得到 C 的总和。 - Przemyslaw Remin

@PrzemyslawRemin，我不确定我完全理解“C的总和”在哪里或者你打算如何使用它。在dplyr中，将步骤分开是很好的。您可以使用df％>% group_by（A，B）％>% mutate（s = sum（C）），这将把每个组内的C的总和作为（重复）值s放在每个组内（每行在组内获得相同的总和值）。然后，您可以使用其中一种描述的其他方法来过滤C的最大值，例如...％>% ungroup（）％>% slice（which.max（C））。 - Kalin

Answer 6

对我来说，计算每个组的值的数量很有帮助。将计数表复制到一个新对象中。然后根据第一个分组特征过滤组的最大值。例如：

count_table  <- df %>%
                group_by(A, B) %>%
                count() %>%
                arrange(A, desc(n))

count_table %>% 
    group_by(A) %>%
    filter(n == max(n))

或者

count_table %>% 
    group_by(A) %>%
    top_n(1, n)

- ksvrd

---

如果你在问题的数据上运行这个程序，我认为你会发现它回答的不是正确的问题。帖子中的问题是如何找到具有最大值（即“value”列中的数字）的行。这个答案忽略了"value"列，而是找到了每个“A”中最常见的“B”值。 - Gregor Thomas