R-保留由多个变量标识的每个组的第一个观察值(Stata等效 "bys var1 var2 : keep if _n == 1")

Question

所以我目前在R中遇到一个我完全知道如何在Stata中处理的问题，但是却浪费了两个多小时来完成R中的工作。

使用下面的data.frame，我想要的结果是确切地获得每个组的第一个观察值，而组是由多个变量组成的，并且必须由另一个变量进行排序，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)

应转换为:

   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 

通过仅保留具有一个或多个重复组标识符的行中的一行(此处仅是 row[1]: (id,day)=(1,1))，首先对值进行排序(以便保留值最低的行)。

在Stata中，这将简单地是:

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，则可以正确地做到这一点:

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.需要创建一个标识符(可以快速完成)。
2.与Stata中的单行代码相比，这似乎是一件繁琐的代码。
3.在一个中等大小的数据集(少于100,000个观察值，以大约6的数量为一组)中，此方法将花费大约1.5个小时。

是否有任何等效于Stata的 bys var1 var2: keep if _n == 1的有效方法？

Answer 1

我会命令data.frame，此时您可以使用by进行调查:

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。从上面继续订购的 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，在基数R中:

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