R根据辅助字段条件在数据帧上获取唯一记录

更新和简化

我有一个非常大的表（约700万条记录），其结构如下

temp <- read.table(header = TRUE, stringsAsFactors=FALSE,
                   text = "Website Datetime    Rating
A 2007-12-06T14:53:07Z        1
A 2006-07-28T03:52:26Z        4
B 2006-11-02T11:06:25Z        2
C 2007-06-19T06:56:08Z        5
C 2009-11-28T22:27:58Z        2
C 2009-11-28T22:28:13Z        2")

---

我试着使用for循环，但太慢了。是否有其他方法可以实现这一点。

我可能会探索

数据表

包，但如果没有更多详细信息，下面的示例解决方案很可能不是您所需要的。我提到这一点是因为，特别是，每个组可能有多个与

max

匹配的“评级”记录；你想如何处理这些案件

library(data.table)
temp <- read.table(header = TRUE, stringsAsFactors=FALSE,
                text = "Website Datetime    Rating
                        A       2012-10-9   10
                        A       2012-11-10  12
                        B       2011-10-9   5")
DT <- data.table(temp, key="Website")
DT
#    Website   Datetime Rating
# 1:       A  2012-10-9     10
# 2:       A 2012-11-10     12
# 3:       B  2011-10-9      5
DT[, list(Datetime = Datetime[which.max(Rating)], 
          Rating = max(Rating)), by = key(DT)]
#    Website   Datetime Rating
# 1:       A 2012-11-10     12
# 2:       B  2011-10-9      5

---

如果您只想查看

评级

列，有很多方法可以做到这一点。按照与上述相同的步骤转换为

数据表

，请尝试：

DT[, list(Datetime = max(Rating)), by = key(DT)]
     Website Datetime
# 1:       A        4
# 2:       B        2
# 3:       C        5

或者，保留原始的“temp”

data.frame

，尝试

aggregate（）

：

---

另一种方法是使用

ave

：

temp[with(temp, Rating == ave(Rating, Website, FUN=max)), ]

由于“Datetime”变量看起来还不是日期或日期时间对象，因此您可能应该首先转换为日期对象

which.max

将选择最大值的第一项

>  which.max(c(1,1,2,2))
[1] 3

---

所以阿南达在这方面的警告可能是不正确的。如果机器内存有限，Datatable方法肯定会更快，也可能成功。上述方法可能会同时复制多个数据。表函数不需要复制太多数据。

我会

拆分
数据，并使用
lappy
浏览每个网站，应用您的标准。帮助我们，节能人士，提供一个可复制的例子和预期的结果。谢谢罗曼！我更新了我的问题，使之更加具体。你能给我举一个例子，说明如何将split与lapply结合起来以获得期望的结果吗？我认为@RomanLuštrik提到的
split
和
lapply
的想法与DWin在回答中的想法是一致的。另外，请参阅我的答案的更新，以匹配符合您条件的所有行。非常感谢您的帮助。每个类别可以有多个最大值。例如，在一个网站的例子中，评分可能都是10。@MichaelTsikerdekis，好的，那又怎样？正如我提到的，请用更现实的数据样本更新您的问题，同时提及您预期会遇到的瓶颈类型以及您希望如何处理它们。例如，如果有多个max值，您希望所有行都匹配该条件，还是第一行匹配该条件就足够了（正如
which.max
所示）。我刚刚更新了帖子并简化了问题。这可能会让问题变得更清楚，更容易解决。“我试着自己去做，但到目前为止失败得很惨。”据我所知，我最初的答案仍然适用。你试过了吗？阿南达真的很管用！非常感谢，也感谢data.table的想法。我以前从未使用过它，而且它似乎比data.frame.DWin快得多。我的名字从来都不对（…虽然我知道他也有一个很难取对的名字：）
aggregate(Rating ~ Website, temp, max)
    Website Rating
# 1       A      4
# 2       B      2
# 3       C      5

temp[with(temp, Rating == ave(Rating, Website, FUN=max)), ]

 do.call( rbind, lapply( split(temp, temp$Website) , 
                               function(d) d[ which.max(d$Rating), ] ) )
  Website             Datetime Rating
A       A 2006-07-28T03:52:26Z      4
B       B 2006-11-02T11:06:25Z      2
C       C 2007-06-19T06:56:08Z      5

>  which.max(c(1,1,2,2))
[1] 3