首页 文章

R - 保持由多个变量识别的每组的第一次观察（Stata等效“bys var1 var2：keep if _n == 1”）

提问于
浏览 次
5

所以我目前在R中面临一个问题，我确切知道如何处理Stata，但是浪费了两个多小时来完成 .

使用下面的data.frame，我想要的结果是准确地获得每组的第一个观察，而组由多个变量组成，并且必须由另一个变量排序，即通过以下方式获得的data.frame mydata：

id <- c(1,1,1,1,2,2,3,3,4,4,4)
day <- c(1,1,2,3,1,2,2,3,1,2,3)
value <- c(12,10,15,20,40,30,22,24,11,11,12)
mydata <- data.frame(id, day, value)

应该转变为：

id day value   
   1   1    10 
   1   2    15 
   1   3    20 
   2   1    40 
   2   2    30 
   3   2    22 
   3   3    24 
   4   1    11 
   4   2    11 
   4   3    12

通过仅保留其中一个行具有一个或多个重复的组标识符（此处仅为 row[1]: (id,day)=(1,1)) ，首先排序值（以便保留具有最低值的行） .

在Stata中，这只是：

bys id day (value): keep if _n == 1

我找到了一个piece of code on the web，如果我首先生成一个组标识符，它会正确地执行此操作：

mydata$id1 <- paste(mydata$id,"000",mydata$day, sep="")  ### the single group identifier

myid.uni <- unique(mydata$id1)
a<-length(myid.uni)

last <- c()

for (i in 1:a) {
  temp<-subset(mydata, id1==myid.uni[i])
  if (dim(temp)[1] > 1) {
    last.temp<-temp[dim(temp)[1],]
  }
  else {
    last.temp<-temp
  }
  last<-rbind(last, last.temp)
}

last

但是，这种方法存在一些问题：
1.需要创建单个标识符（快速完成） .
与Stata中的单行代码相比，这似乎是一段繁琐的代码 .
3.在一个中等大小的数据集上（低于100,000个观测数据分组，大约6个），这种方法大约需要1.5个小时 .

有没有效率相当于Stata的 bys var1 var2: keep if _n == 1 ？

r stata

2 回答

  • 5

    我会订购 data.frame ，此时您可以查看 by ：

    mydata <- mydata[with(mydata, do.call(order, list(id, day, value))), ]

do.call(rbind, by(mydata, list(mydata$id, mydata$day), 
                  FUN=function(x) head(x, 1)))

    或者，查看"data.table"包 . 从上面继续订购 data.frame ：

    library(data.table)

DT <- data.table(mydata, key = "id,day")
DT[, head(.SD, 1), by = key(DT)]
#     id day value
#  1:  1   1    10
#  2:  1   2    15
#  3:  1   3    20
#  4:  2   1    40
#  5:  2   2    30
#  6:  3   2    22
#  7:  3   3    24
#  8:  4   1    11
#  9:  4   2    11
# 10:  4   3    12

    或者，从头开始，您可以通过以下方式使用 data.table ：

    DT <- data.table(id, day, value, key = "id,day")
DT[, n := rank(value, ties.method="first"), by = key(DT)][n == 1]

    并且，通过扩展，在基础R：

    Ranks <- with(mydata, ave(value, id, day, FUN = function(x) 
  rank(x, ties.method="first")))
mydata[Ranks == 1, ]
    回复于
  • 10

    dplyr包使这种事情变得更容易 .

    library(dplyr)
mydata %>% group_by(id, day) %>% filter(row_number(value) == 1)

    此命令在R中需要比Stata中更多的内存：不会抑制行，创建数据集的新副本 .

    回复于

相关问题