selectR中每列唯一值的第一行

从这样的数据框 

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

我想创build一个新的每个ID /string对的第一次出现。 如果sqldf在其中接受R代码，查询可能看起来像这样： 

 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

有没有创build一个新的列像解决scheme 

 test$row <- rownames(test)

和最小（行）运行相同的sqldf查询？

你可以使用duplicated来做这个很快。 

 test[!duplicated(test$id),]

基准，为速度怪胎： 

 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

让我们再试一次，但只有第一热的竞争者，更多的数据和更多的复制。 

 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

关于什么 

 DT <- data.table(test) setkey(DT, id) DT[J(unique(id)), mult = "first"]

编辑

data.tables也有一个唯一的方法， data.tables通过键返回第一行 

 jdtu <- function() unique(DT)

我认为，如果您在基准test之外订购test ，那么您可以从基准testing中除去setkey和data.table转换（因为setkey基本上按IDsorting，与order相同）。 

 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

并有更多的数据

**用独特的方法编辑** 

 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

这里独特的方法是最快的。

一个简单的ddply选项： 

 ddply(test,.(id),function(x) head(x,1))

如果速度是一个问题，那么data.table可以采取类似的方法： 

 testd <- data.table(test) setkey(testd,id) testd[,lapply(.SD,function(x) head(x,1)),by = key(testd)]

（1）SQLite有一个内置的rowid伪列，所以这个工作： 

 sqldf("select min(rowid) rowid, id, string from test group by id")

赠送： 

  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本身也有一个row.names=参数： 

 sqldf("select min(cast(row_names as real)) row_names, id, string from test group by id", row.names = TRUE)

赠送： 

  id string 1 1 A 3 2 B 5 3 C 7 4 D 9 5 E

（3）混合上述两个要素的第三个select可能会更好： 

 sqldf("select min(rowid) row_names, id, string from test group by id", row.names = TRUE)

赠送： 

  id string 1 1 A 3 2 B 5 3 C 7 4 D 9 5 E

请注意，所有这三个都依赖SQL的SQLite扩展，其中使用min或max保证导致从同一行中select其他列。 （在其他基于SQL的数据库中，可能无法保证。）

现在，为dplyr ，添加一个独特的计数器。 

 dfx <- df %>% group_by(aa, bb) %>% summarise(first=head(value,1), count=n_distinct(value))

你创build组，他们在组内总结。 如果数据是数字，您可以使用：
first(value) [也有last(value) ]代替head(value, 1)

请参阅： http : //cran.rstudio.com/web/packages/dplyr/vignettes/introduction.html

充分： 

 > 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) dfx <- df %>% group_by(aa, bb) %>% summarise(first=head(value,1), count=n_distinct(value)) > dfx 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

基本的R选项是split() – lapply() – do.call()成语： 

 > 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

更直接的select是lapply()函数： 

 > 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

lapply()调用结束时的逗号空间1, )是必不可less的，因为这相当于调用[1, ]来select第一行和所有列。 

 test_subset <- test[unique(test$id),]

只要这一行就会生成你想要的子集。

Interesting Posts