根據R中的一列匯總字符串，僅保留第一個/最后一個

Question

我有一個像這樣的虛擬數據集：

  x  y
1 1  test1
2 2  test2
3 2  test3
4 3  test4
5 3  test5

我想基於x中的值對其進行匯總，而不是連接或運行最大頻率檢查，而只是想顯示該x值的最后一個/第一個值（基於行號）。 我想知道如何顯示最后一個值和第一個值。 簡單地刪除基於x重復項將不會給我提供選擇y值的靈活性。

我的輸出將是這樣（最后）：

  x  y
1 1  test1
2 2  test3
3 3  test5

或像這樣（第一個）：

  x  y
1 1  test1
2 2  test2
3 3  test4

我有1M +行的大型數據集。 幫助將不勝感激。 我試過聚合和ddply方法。

Answer 1

您可以使用dplyr::distinct() ，它根據變量保留唯一行，如果將.keep_all參數指定為TRUE ，則將為指定變量的每個不同值獲得第一行：

獲得第一個：

library(dplyr)
df %>% 
      distinct(x, .keep_all = TRUE)

#  x     y
#1 1 test1
#2 2 test2
#3 3 test4

要獲得最后一行，您可以通過按行降序對row_number()進行排序，然后使用distinct()來反轉數據框：

df %>% 
      arrange(desc(row_number())) %>% 
      distinct(x, .keep_all = TRUE)

#  x     y
#1 3 test5
#2 2 test3
#3 1 test1

Answer 2

您可以使用duplicated

df[!duplicated(df$x, fromLast=TRUE),]
  x     y
1 1 test1
3 2 test3
5 3 test5

df[!duplicated(df$x),]
  x     y
1 1 test1
2 2 test2
4 3 test4

Answer 3

另外，您可以使用data.table因為您說的數據非常大。 我給出了兩個示例，每個第一個/最后一個值都給出相同的結果。 使用setkey的方法將更快。

library(data.table)

第一價值

方法1：

dt[dt[,list(keep=.I[which.min(.I)]),by=.(x)][,keep]]

方法2：

setkey(dt,x)
dt[J(unique(x)),mult="first"]


   x     y
1: 1 test1
2: 2 test2
3: 3 test4

最后值

方法1：

dt[dt[,list(keep=.I[which.max(.I)]),by=.(x)][,keep]]

方法2：

setkey(dt,x)
dt[J(unique(x)),mult="last"]



   x     y
1: 1 test1
2: 2 test3
3: 3 test5

數據

dt <- structure(list(x = c(1L, 2L, 2L, 3L, 3L), y = structure(1:5, .Label = c("test1", 
"test2", "test3", "test4", "test5"), class = "factor")), .Names = c("x", 
"y"), class = c("data.table", "data.frame"), row.names = c(NA, 
-5L), .internal.selfref = <pointer: 0x0000000000140788>)

編輯 ：在setkey()方法中添加。