Extraire la ligne correspondant à la valeur minimale d'une variable par groupe
Je souhaite (1) regrouper les données par une variable (State), (2) dans chaque groupe trouver la ligne de valeur minimale d'une autre variable (Employees), et (3) extraire la ligne entière.
(1) et (2) sont des one-liners faciles, et j'ai l'impression que (3) devrait l'être aussi, mais je ne peux pas l'obtenir.
Voici un exemple de jeu de données:
> data
State Company Employees
1 AK A 82
2 AK B 104
3 AK C 37
4 AK D 24
5 RI E 19
6 RI F 118
7 RI G 88
8 RI H 42
data <- structure(list(State = structure(c(1L, 1L, 1L, 1L, 2L, 2L, 2L,
2L), .Label = c("AK", "RI"), class = "factor"), Company = structure(1:8, .Label = c("A",
"B", "C", "D", "E", "F", "G", "H"), class = "factor"), Employees = c(82L,
104L, 37L, 24L, 19L, 118L, 88L, 42L)), .Names = c("State", "Company",
"Employees"), class = "data.frame", row.names = c(NA, -8L))
Calculer min par groupe est facile, en utilisant aggregate:
> aggregate(Employees ~ State, data, function(x) min(x))
State Employees
1 AK 24
2 RI 19
...ou data.table:
> library(data.table)
> DT <- data.table(data)
> DT[ , list(Employees = min(Employees)), by = State]
State Employees
1: AK 24
2: RI 19
Mais comment extraire la ligne entière correspondant à ces min valeurs, c'est-à-dire incluant également Company dans le résultat?
5 réponses
Légèrement plus élégant:
library(data.table)
DT[ , .SD[which.min(Employees)], by = State]
State Company Employees
1: AK D 24
2: RI E 19
Légèrement moins élégant que d'utiliser .SD, mais un peu plus rapide (pour les données avec de nombreux groupes):
DT[DT[ , .I[which.min(Employees)], by = State]$V1]
En outre, remplacez simplement l'expression which.min(Employees) par Employees == min(Employees), si votre ensemble de données a plusieurs valeurs min identiques et que vous souhaitez les sous-estimer toutes.
Voir aussi sous-ensemble par groupe avec des données.tableau.
Un dplyr solution :
library(dplyr)
data %>%
group_by(State) %>%
slice(which.min(Employees))
Comme C'est le meilleur succès de Google, j'ai pensé ajouter quelques options supplémentaires que je trouve utiles de savoir. L'idée est d'organiser une fois par Employees, puis il suffit de prendre les uniques par State
Soit en utilisant data.table
library(data.table)
unique(setDT(data)[order(Employees)], by = "State")
# State Company Employees
# 1: RI E 19
# 2: AK D 24
Alternativement, nous pourrions aussi d'abord commander et ensuite sous-ensemble .SD. Ces deux opérations ont été optimisées dans les données renvoyées.les versions de table et {[9] } sont apparemment déclencheurs data.table:::forderv, tandis que .SD[1L] déclenche Gforce
setDT(data)[order(Employees), .SD[1L], by = State, verbose = TRUE] # <- Added verbose
# order optimisation is on, i changed from 'order(...)' to 'forder(DT, ...)'.
# i clause present and columns used in by detected, only these subset: State
# Finding groups using forderv ... 0 sec
# Finding group sizes from the positions (can be avoided to save RAM) ... 0 sec
# Getting back original order ... 0 sec
# lapply optimization changed j from '.SD[1L]' to 'list(Company[1L], Employees[1L])'
# GForce optimized j to 'list(`g[`(Company, 1L), `g[`(Employees, 1L))'
# Making each group and running j (GForce TRUE) ... 0 secs
# State Company Employees
# 1: RI E 19
# 2: AK D 24
Ou dplyr
library(dplyr)
data %>%
arrange(Employees) %>%
distinct(State, .keep_all = TRUE)
# State Company Employees
# 1 RI E 19
# 2 AK D 24
Une autre idée intéressante empruntée à @ Khashaas awesome answer (avec une petite modification sous la forme de mult = "first" afin de gérer plusieurs correspondances) est de trouver d'abord un minimum par groupe, puis d'effectuer une jointure binaire. L'avantage, c'est à la fois l'utilisation des données.tables gmin fonction (qui ignore la surcharge d'évaluation) et la fonctionnalitéBinary join
tmp <- setDT(data)[, .(Employees = min(Employees)), by = State]
data[tmp, on = .(State, Employees), mult = "first"]
# State Company Employees
# 1: AK D 24
# 2: RI E 19
Quelques repères
library(data.table)
library(dplyr)
library(plyr)
library(stringi)
library(microbenchmark)
set.seed(123)
N <- 1e6
data <- data.frame(State = stri_rand_strings(N, 2, '[A-Z]'),
Employees = sample(N*10, N, replace = TRUE))
DT <- copy(data)
setDT(DT)
DT2 <- copy(DT)
str(DT)
str(DT2)
microbenchmark("(data.table) .SD[which.min]: " = DT[ , .SD[which.min(Employees)], by = State],
"(data.table) .I[which.min]: " = DT[DT[ , .I[which.min(Employees)], by = State]$V1],
"(data.table) order/unique: " = unique(DT[order(Employees)], by = "State"),
"(data.table) order/.SD[1L]: " = DT[order(Employees), .SD[1L], by = State],
"(data.table) self join (on):" = {
tmp <- DT[, .(Employees = min(Employees)), by = State]
DT[tmp, on = .(State, Employees), mult = "first"]},
"(data.table) self join (setkey):" = {
tmp <- DT2[, .(Employees = min(Employees)), by = State]
setkey(tmp, State, Employees)
setkey(DT2, State, Employees)
DT2[tmp, mult = "first"]},
"(dplyr) slice(which.min): " = data %>% group_by(State) %>% slice(which.min(Employees)),
"(dplyr) arrange/distinct: " = data %>% arrange(Employees) %>% distinct(State, .keep_all = TRUE),
"(dplyr) arrange/group_by/slice: " = data %>% arrange(Employees) %>% group_by(State) %>% slice(1),
"(plyr) ddply/which.min: " = ddply(data, .(State), function(x) x[which.min(x$Employees),]),
"(base) by: " = do.call(rbind, by(data, data$State, function(x) x[which.min(x$Employees), ])))
# Unit: milliseconds
# expr min lq mean median uq max neval cld
# (data.table) .SD[which.min]: 119.66086 125.49202 145.57369 129.61172 152.02872 267.5713 100 d
# (data.table) .I[which.min]: 12.84948 13.66673 19.51432 13.97584 15.17900 109.5438 100 a
# (data.table) order/unique: 52.91915 54.63989 64.39212 59.15254 61.71133 177.1248 100 b
# (data.table) order/.SD[1L]: 51.41872 53.22794 58.17123 55.00228 59.00966 145.0341 100 b
# (data.table) self join (on): 44.37256 45.67364 50.32378 46.24578 50.69411 137.4724 100 b
# (data.table) self join (setkey): 14.30543 15.28924 18.63739 15.58667 16.01017 106.0069 100 a
# (dplyr) slice(which.min): 82.60453 83.64146 94.06307 84.82078 90.09772 186.0848 100 c
# (dplyr) arrange/distinct: 344.81603 360.09167 385.52661 379.55676 395.29463 491.3893 100 e
# (dplyr) arrange/group_by/slice: 367.95924 383.52719 414.99081 397.93646 425.92478 557.9553 100 f
# (plyr) ddply/which.min: 506.55354 530.22569 568.99493 552.65068 601.04582 727.9248 100 g
# (base) by: 1220.38286 1291.70601 1340.56985 1344.86291 1382.38067 1512.5377 100 h
La fonction de base by est souvent utile pour travailler avec des données de bloc de données.cadre. Par exemple
by(data, data$State, function(x) x[which.min(x$Employees), ] )
Retourne les données dans une liste, mais vous pouvez réduire qu'avec
do.call(rbind, by(data, data$State, function(x) x[which.min(x$Employees), ] ))
Corrigé plyr solution:
ddply(df, .(State), function(x) x[which.min(x$Employees),])
# State Company Employees
# 1 AK D 24
# 2 RI E 19