Digamos que tengo cuatro muestras: id = 1, 2, 3 y 4, con una o más mediciones en cada una de esas muestras:
> a a id value 1 1 1 2 1 2 3 2 3 4 2 -4 5 3 -5 6 4 6 Quiero eliminar duplicados, manteniendo solo una entrada por ID, la que tiene el mayor valor absoluto de la columna “valor”. Es decir, esto es lo que quiero:
> a[c(2,4,5,6), ] id value 2 1 2 4 2 -4 5 3 -5 6 4 6
¿Cómo podría hacer esto en R?
aa < - a[order(a$id, -abs(a$value) ), ] #sort by id and reverse of abs(value) aa[ !duplicated(aa$id), ] # take the first row within each id id value 2 1 2 4 2 -4 5 3 -5 6 4 6
Un enfoque data.table podría estar en orden si su conjunto de datos es muy grande:
library(data.table) aDT < - as.data.table(a) setkey(aDT,"id") aDT[J(unique(id)), list(value = value[which.max(abs(value))])]
O una alternativa no tan rápida, pero aún rápida:
library(data.table) as.data.table(a)[, .SD[which.max(abs(value))], by=id]
Esta versión devuelve todas las columnas de a , en caso de que haya más en el conjunto de datos real.
Echa un vistazo a ?aggregate :
aggregate(value~id,a,function(x) x[which.max(abs(x))])
Me gusta la respuesta de @DWin, pero me gustaría mostrar cómo esto también podría funcionar con los metadatos:
aa< -merge(aggregate(value~id,a,function(x) x[which.max(abs(x))]),a) # Fails if the max value is duplicated for a single id without next line. aa[!duplicated(aa),]
No pude evitarlo y creo una última respuesta:
do.call(rbind,lapply(split(a,a$id),function(x) x[which.max(abs(x$value)),]))
Otro enfoque (aunque el código puede parecer un poco engorroso) es usar ave() :
a[which(abs(a$value) == ave(a$value, a$id, FUN=function(x) max(abs(x)))), ] # id value # 2 1 2 # 4 2 -4 # 5 3 -5 # 6 4 6
library(plyr) ddply(a, .(id), function(x) return(x[which(abs(x$value)==max(abs(x$value))),]))
Aquí hay un enfoque dplyr
library(dplyr) a %>% group_by(id) %>% top_n(1, abs(value)) # A tibble: 4 x 2 # Groups: id [4] # id value # #1 1 2 #2 2 -4 #3 3 -5 #4 4 6