Em um conjunto de dados com múltiplas observações para cada sujeito, quero pegar um subconjunto apenas com o valor máximo dos dados para cada registro. Por exemplo, com um conjunto de dados a seguir:
ID <- c(1,1,1,2,2,2,2,3,3)
Value <- c(2,3,5,2,5,8,17,3,5)
Event <- c(1,1,2,1,2,1,2,2,2)
group <- data.frame(Subject=ID, pt=Value, Event=Event)
Os sujeitos 1, 2 e 3 têm o maior valor pt de 5, 17 e 5, respectivamente.
Como poderia primeiro encontrar o maior valor pt para cada assunto e, em seguida, colocar essa observação em outro data frame? O quadro de dados resultante deve ter apenas os maiores valores pt para cada assunto.
Respostas:
Aqui está uma
data.tablesolução:require(data.table) ## 1.9.2 group <- as.data.table(group)Se você deseja manter todas as entradas correspondentes aos valores máximos de
ptcada grupo:group[group[, .I[pt == max(pt)], by=Subject]$V1] # Subject pt Event # 1: 1 5 2 # 2: 2 17 2 # 3: 3 5 2Se você quiser apenas o primeiro valor máximo de
pt:group[group[, .I[which.max(pt)], by=Subject]$V1] # Subject pt Event # 1: 1 5 2 # 2: 2 17 2 # 3: 3 5 2Nesse caso, não faz diferença, já que não há diversos valores máximos em nenhum grupo de seus dados.
fonte
.SDa otimização para esses casos ainda está na lista. Fique de olho no # 735 .?`.I`e veja se a explicação e os exemplos aí ajudam?O método mais intuitivo é usar a função group_by e top_n no dplyr
group %>% group_by(Subject) %>% top_n(1, pt)O resultado que você obtém é
Source: local data frame [3 x 3] Groups: Subject [3] Subject pt Event (dbl) (dbl) (dbl) 1 1 5 2 2 2 17 2 3 3 5 2fonte
group %>% group_by(Subject) %>% arrange(desc(pt), .by_group = TRUE) %>% summarise(max_pt=first(pt), min_pt=last(pt), Event=first(Event))slice(which.max(pt))para incluir apenas uma linha por grupo.Uma solução mais curta usando
data.table:setDT(group)[, .SD[which.max(pt)], by=Subject] # Subject pt Event # 1: 1 5 2 # 2: 2 17 2 # 3: 3 5 2fonte
group[group[, .I[which.max(pt)], by=Subject]$V1]que o proposto acima por @Arun; veja as comparações aqui.IOutra opção é
slicelibrary(dplyr) group %>% group_by(Subject) %>% slice(which.max(pt)) # Subject pt Event # <dbl> <dbl> <dbl> #1 1 5 2 #2 2 17 2 #3 3 5 2fonte
Uma
dplyrsolução:library(dplyr) ID <- c(1,1,1,2,2,2,2,3,3) Value <- c(2,3,5,2,5,8,17,3,5) Event <- c(1,1,2,1,2,1,2,2,2) group <- data.frame(Subject=ID, pt=Value, Event=Event) group %>% group_by(Subject) %>% summarize(max.pt = max(pt))Isso produz o seguinte quadro de dados:
Subject max.pt 1 1 5 2 2 17 3 3 5fonte
Eventcoluna no subconjuntodf %>% group_by(Subject) %>% filter(pt == max(pt))Eu não tinha certeza do que você queria fazer com a coluna Evento, mas se quiser mantê-la também, que tal
isIDmax <- with(dd, ave(Value, ID, FUN=function(x) seq_along(x)==which.max(x)))==1 group[isIDmax, ] # ID Value Event # 3 1 5 2 # 7 2 17 2 # 9 3 5 2Aqui usamos
avepara olhar a coluna "Valor" para cada "ID". Em seguida, determinamos qual valor é o máximo e, em seguida, transformamos isso em um vetor lógico que podemos usar para subdividir o data.frame original.fonte
withporque é um pouco estranho ter os dados disponíveis dentro e fora dogroupdata.frame. Se você ler os dados comread.tableou algo assim, precisará usarwithporque esses nomes de coluna não estariam disponíveis fora do data.frame.do.call(rbind, lapply(split(group,as.factor(group$Subject)), function(x) {return(x[which.max(x$pt),])}))Usando Base
Rfonte
Desde {dplyr} v1.0.0 (maio de 2020), há a nova
slice_*sintaxe que prevalecetop_n().Veja também https://dplyr.tidyverse.org/reference/slice.html .
library(tidyverse) ID <- c(1,1,1,2,2,2,2,3,3) Value <- c(2,3,5,2,5,8,17,3,5) Event <- c(1,1,2,1,2,1,2,2,2) group <- data.frame(Subject=ID, pt=Value, Event=Event) group %>% group_by(Subject) %>% slice_max(pt) #> # A tibble: 3 x 3 #> # Groups: Subject [3] #> Subject pt Event #> <dbl> <dbl> <dbl> #> 1 1 5 2 #> 2 2 17 2 #> 3 3 5 2Criado em 2020-08-18 pelo pacote reprex (v0.3.0.9001)
Informação da sessãosessioninfo::session_info() #> ─ Session info ─────────────────────────────────────────────────────────────── #> setting value #> version R version 4.0.2 Patched (2020-06-30 r78761) #> os macOS Catalina 10.15.6 #> system x86_64, darwin17.0 #> ui X11 #> language (EN) #> collate en_US.UTF-8 #> ctype en_US.UTF-8 #> tz Europe/Berlin #> date 2020-08-18 #> #> ─ Packages ─────────────────────────────────────────────────────────────────── #> package * version date lib source #> assertthat 0.2.1 2019-03-21 [1] CRAN (R 4.0.0) #> backports 1.1.8 2020-06-17 [1] CRAN (R 4.0.1) #> blob 1.2.1 2020-01-20 [1] CRAN (R 4.0.0) #> broom 0.7.0 2020-07-09 [1] CRAN (R 4.0.2) #> cellranger 1.1.0 2016-07-27 [1] CRAN (R 4.0.0) #> cli 2.0.2 2020-02-28 [1] CRAN (R 4.0.0) #> colorspace 1.4-1 2019-03-18 [1] CRAN (R 4.0.0) #> crayon 1.3.4 2017-09-16 [1] CRAN (R 4.0.0) #> DBI 1.1.0 2019-12-15 [1] CRAN (R 4.0.0) #> dbplyr 1.4.4 2020-05-27 [1] CRAN (R 4.0.0) #> digest 0.6.25 2020-02-23 [1] CRAN (R 4.0.0) #> dplyr * 1.0.1 2020-07-31 [1] CRAN (R 4.0.2) #> ellipsis 0.3.1 2020-05-15 [1] CRAN (R 4.0.0) #> evaluate 0.14 2019-05-28 [1] CRAN (R 4.0.0) #> fansi 0.4.1 2020-01-08 [1] CRAN (R 4.0.0) #> forcats * 0.5.0 2020-03-01 [1] CRAN (R 4.0.0) #> fs 1.5.0 2020-07-31 [1] CRAN (R 4.0.2) #> generics 0.0.2 2018-11-29 [1] CRAN (R 4.0.0) #> ggplot2 * 3.3.2 2020-06-19 [1] CRAN (R 4.0.1) #> glue 1.4.1 2020-05-13 [1] CRAN (R 4.0.0) #> gtable 0.3.0 2019-03-25 [1] CRAN (R 4.0.0) #> haven 2.3.1 2020-06-01 [1] CRAN (R 4.0.0) #> highr 0.8 2019-03-20 [1] CRAN (R 4.0.0) #> hms 0.5.3 2020-01-08 [1] CRAN (R 4.0.0) #> htmltools 0.5.0 2020-06-16 [1] CRAN (R 4.0.1) #> httr 1.4.2 2020-07-20 [1] CRAN (R 4.0.2) #> jsonlite 1.7.0 2020-06-25 [1] CRAN (R 4.0.2) #> knitr 1.29 2020-06-23 [1] CRAN (R 4.0.2) #> lifecycle 0.2.0 2020-03-06 [1] CRAN (R 4.0.0) #> lubridate 1.7.9 2020-06-08 [1] CRAN (R 4.0.1) #> magrittr 1.5 2014-11-22 [1] CRAN (R 4.0.0) #> modelr 0.1.8 2020-05-19 [1] CRAN (R 4.0.0) #> munsell 0.5.0 2018-06-12 [1] CRAN (R 4.0.0) #> pillar 1.4.6 2020-07-10 [1] CRAN (R 4.0.2) #> pkgconfig 2.0.3 2019-09-22 [1] CRAN (R 4.0.0) #> purrr * 0.3.4 2020-04-17 [1] CRAN (R 4.0.0) #> R6 2.4.1 2019-11-12 [1] CRAN (R 4.0.0) #> Rcpp 1.0.5 2020-07-06 [1] CRAN (R 4.0.2) #> readr * 1.3.1 2018-12-21 [1] CRAN (R 4.0.0) #> readxl 1.3.1 2019-03-13 [1] CRAN (R 4.0.0) #> reprex 0.3.0.9001 2020-08-13 [1] Github (tidyverse/reprex@23a3462) #> rlang 0.4.7 2020-07-09 [1] CRAN (R 4.0.2) #> rmarkdown 2.3.3 2020-07-26 [1] Github (rstudio/rmarkdown@204aa41) #> rstudioapi 0.11 2020-02-07 [1] CRAN (R 4.0.0) #> rvest 0.3.6 2020-07-25 [1] CRAN (R 4.0.2) #> scales 1.1.1 2020-05-11 [1] CRAN (R 4.0.0) #> sessioninfo 1.1.1 2018-11-05 [1] CRAN (R 4.0.2) #> stringi 1.4.6 2020-02-17 [1] CRAN (R 4.0.0) #> stringr * 1.4.0 2019-02-10 [1] CRAN (R 4.0.0) #> styler 1.3.2.9000 2020-07-05 [1] Github (pat-s/styler@51d5200) #> tibble * 3.0.3 2020-07-10 [1] CRAN (R 4.0.2) #> tidyr * 1.1.1 2020-07-31 [1] CRAN (R 4.0.2) #> tidyselect 1.1.0 2020-05-11 [1] CRAN (R 4.0.0) #> tidyverse * 1.3.0 2019-11-21 [1] CRAN (R 4.0.0) #> utf8 1.1.4 2018-05-24 [1] CRAN (R 4.0.0) #> vctrs 0.3.2 2020-07-15 [1] CRAN (R 4.0.2) #> withr 2.2.0 2020-04-20 [1] CRAN (R 4.0.0) #> xfun 0.16 2020-07-24 [1] CRAN (R 4.0.2) #> xml2 1.3.2 2020-04-23 [1] CRAN (R 4.0.0) #> yaml 2.2.1 2020-02-01 [1] CRAN (R 4.0.0) #> #> [1] /Users/pjs/Library/R/4.0/library #> [2] /Library/Frameworks/R.framework/Versions/4.0/Resources/libraryfonte
Outra solução básica
group_sorted <- group[order(group$Subject, -group$pt),] group_sorted[!duplicated(group_sorted$Subject),] # Subject pt Event # 1 5 2 # 2 17 2 # 3 5 2Ordene o quadro de dados por
pt(decrescente) e remova as linhas duplicadas emSubjectfonte
Mais uma solução de base R:
merge(aggregate(pt ~ Subject, max, data = group), group) Subject pt Event 1 1 5 2 2 2 17 2 3 3 5 2fonte
Aqui está outra
data.tablesolução, uma vezwhich.maxque não funciona em personagenslibrary(data.table) group <- data.table(Subject=ID, pt=Value, Event=Event) group[, .SD[order(pt, decreasing = TRUE) == 1], by = Subject]fonte
byé uma versão detapplypara frames de dados:res <- by(group, group$Subject, FUN=function(df) df[which.max(df$pt),])Ele retorna um objeto de classe,
byentão o convertemos em um quadro de dados:do.call(rbind, b) Subject pt Event 1 1 5 2 2 2 17 2 3 3 5 2fonte
Na base, você pode usar
avepara obtermaxpor grupo e comparar isso compte obter um vetor lógico para o subconjuntodata.frame.group[group$pt == ave(group$pt, group$Subject, FUN=max),] # Subject pt Event #3 1 5 2 #7 2 17 2 #9 3 5 2Ou compare já na função.
group[as.logical(ave(group$pt, group$Subject, FUN=function(x) x==max(x))),] #group[ave(group$pt, group$Subject, FUN=function(x) x==max(x))==1,] #Variant # Subject pt Event #3 1 5 2 #7 2 17 2 #9 3 5 2fonte
Outra
data.tableopção:library(data.table) setDT(group) group[group[order(-pt), .I[1L], Subject]$V1]Ou outro (menos legível, mas um pouco mais rápido):
group[group[, rn := .I][order(Subject, -pt), { rn[c(1L, 1L + which(diff(Subject)>0L))] }]]código de tempo:
library(data.table) nr <- 1e7L ng <- nr/4L set.seed(0L) DT <- data.table(Subject=sample(ng, nr, TRUE), pt=1:nr)#rnorm(nr)) DT2 <- copy(DT) microbenchmark::microbenchmark(times=3L, mtd0 = {a0 <- DT[DT[, .I[which.max(pt)], by=Subject]$V1]}, mtd1 = {a1 <- DT[DT[order(-pt), .I[1L], Subject]$V1]}, mtd2 = {a2 <- DT2[DT2[, rn := .I][ order(Subject, -pt), rn[c(TRUE, diff(Subject)>0L)] ]]}, mtd3 = {a3 <- unique(DT[order(Subject, -pt)], by="Subject")} ) fsetequal(a0[order(Subject)], a1[order(Subject)]) #[1] TRUE fsetequal(a0[order(Subject)], a2[, rn := NULL][order(Subject)]) #[1] TRUE fsetequal(a0[order(Subject)], a3[order(Subject)]) #[1] TRUEhorários:
Unit: seconds expr min lq mean median uq max neval mtd0 3.256322 3.335412 3.371439 3.414502 3.428998 3.443493 3 mtd1 1.733162 1.748538 1.786033 1.763915 1.812468 1.861022 3 mtd2 1.136307 1.159606 1.207009 1.182905 1.242359 1.301814 3 mtd3 1.123064 1.166161 1.228058 1.209257 1.280554 1.351851 3fonte
Outra
data.tablesolução:library(data.table) setDT(group)[, head(.SD[order(-pt)], 1), by = .(Subject)]fonte
Usando o dplyr 1.0.2, agora existem duas maneiras de fazer isso, uma é longa e a outra é usar o verbo across ():
# create data ID <- c(1,1,1,2,2,2,2,3,3) Value <- c(2,3,5,2,5,8,17,3,5) Event <- c(1,1,2,1,2,1,2,2,2) group <- data.frame(Subject=ID, pt=Value, Event=Event)Por extenso, o verbo é max (), mas observe o na.rm = TRUE, que é útil para exemplos onde há NAs como na pergunta fechada: Mesclar linhas em um dataframe onde as linhas são disjuntas e contêm NAs :
group %>% group_by(Subject) %>% summarise(pt = max(pt, na.rm = TRUE), Event = max(Event, na.rm = TRUE))Isso está ok se houver apenas algumas colunas, mas se a tabela tiver muitas colunas entre () é útil. Os exemplos para este verbo são geralmente com resumir (em (iniciar_com ... mas neste exemplo as colunas não começam com os mesmos caracteres. Eles podem ser alterados ou as posições listadas:
group %>% group_by(Subject) %>% summarise(across(1:ncol(group)-1, max, na.rm = TRUE, .names = "{.col}"))Nota para o verbo across () 1 refere-se à primeira coluna após a primeira coluna real, então usar ncol (grupo) não funcionará, pois são muitas colunas (coloca-o na posição 4 ao invés de 3).
fonte
Se você quiser o maior valor pt para um assunto, pode simplesmente usar:
pt_max = as.data.frame(aggregate(pt~Subject, group, max))fonte