r - 多组排名使用数据表包

Question

我有一个数据框，其中包含一个组标识符和该组对一项事件的观察得分。组字母和分数都可以重复。

library(tidyverse)
library(data.table)

set.seed(1)

dat <- data.frame(rowid = 1:1000, 
                  grp = sample(LETTERS[1:20], 1000, replace = T),
                  score = sample(1:5, 1000, replace = T))

对于每个组，我需要按降序排列他们不同的分数；对于每个独特的组和分数组合，我想保留一行。理想情况下，这一行应该是具有最小 rowid 的行，但这不是绝对必要的。如果从每个组和分数组合中随机选择一行会更有效，那也同样有效。

dat %>% 
  group_by(grp) %>% 
  mutate(score_rank = dense_rank(desc(score))) %>% 
  arrange(grp, score_rank, rowid) %>% ## this step not completely necessary (see above)
  group_by(grp, score_rank) %>% 
  mutate(score_rank_row = row_number()) %>% 
  filter(score_rank_row == 1) %>% 
  arrange(grp, -score)

上面的代码完成了我想做的事情，但实际上，我的实际数据框有 2000 万多行，有 5,000 个组值，每个组可以有数百个分数，其中许多是重复的。结果，当我尝试将上面介绍的解决方案用于我的实际用例时，我的计算机一直在运行，但没有完成操作。

我的理解是 data.table 在处理这些类型的任务时效率更高，但我终究无法弄清楚使用它的语法。谁能帮帮我？

Answer 1

有了data.table，我们就可以使用

library(data.table)
setDT(dat)[, score_rank := frank(-score, ties.method =  'dense'), grp]
setkey(dat, grp, score_rank, rowid)
dat[, score_rank_row := rowid(grp, score_rank)][
           score_rank_row == 1][order(grp, -score)]