如何在R中使用dplyr运行高效的groupby语句

我有一个具有多个重复ID的数据集，这些ID具有不同的分类值。下面是一个示例数据集

suppressMessages(library(dplyr))
DUMMY_DATA <- data.frame(ID = c(11,22,22,33,33,33,44,44,55,55,55,55),
                     CATEGORY1 = c("E","B","C","C","C","D","A","A","B","C","E","B"),
                     CATEGORY2 = c ("AA","AA","BB","CC","DD","BB","AA","EE","AA","CC","BB","EE"),
                     stringsAsFactors = FALSE)

> DUMMY_DATA
   ID CATEGORY1 CATEGORY2
1  11         E        AA
2  22         B        AA
3  22         C        BB
4  33         C        CC
5  33         C        DD
6  33         D        BB
7  44         A        AA
8  44         A        EE
9  55         B        AA
10 55         C        CC
11 55         E        BB
12 55         B        EE

我想从另一个提供分类值排名的数据集中聚合ID值。具体如下

Category_Rank1 <- data.frame(VAR = c("A","B","C","D","E"),
                        RANK = c(1,2,3,4,5),stringsAsFactors = FALSE
)
> Category_Rank1
  VAR RANK
1   A    1
2   B    2
3   C    3
4   D    4
5   E    5

Category_Rank2 <- data.frame(VAR = c("AA","BB","CC","DD","EE"),
                            RANK = c(1,2,3,4,5),stringsAsFactors = FALSE
)

> Category_Rank2
  VAR RANK
1  AA    1
2  BB    2
3  CC    3
4  DD    4
5  EE    5

对于来自DUMMY_DAT的每组ID，我想查找类别的秩，然后将该类别查找到具有最佳秩的ID。以下是我的解决方案

hierarchyTransform <- function(x,dataset){
  x <- unique(x)
  dataset <- dataset%>%
    filter(dataset[,1] %in% x)
  dataset <- dataset%>%
    filter(dataset[,2] == min(dataset[,2]))
  return(dataset[1,1])
}


NEW_DATA <- DUMMY_DATA%>%
          group_by(ID)%>%
          summarise(CATEGORY1_CLEAN = hierarchyTransform(x=CATEGORY1,
                                                         dataset = Category_Rank1),
                    CATEGORY2_CLEAN = hierarchyTransform(x=CATEGORY2,
                                                         dataset = Category_Rank2))

我得到以下结果

> NEW_DATA
# A tibble: 5 × 3
     ID CATEGORY1_CLEAN CATEGORY2_CLEAN
   <dbl>           <chr>           <chr>
1    11               E              AA
2    22               B              AA
3    33               C              BB
4    44               A              AA
5    55               B              AA

---

这正是我想要的，但问题是这个操作需要时间。我的原始数据集大约有一百万行，当我根据ID对其进行分组时，我得到了大约200000个组。所以hierarchyTransform函数应用于200000个组，单个变量大约需要15分钟，我必须对其他10个变量执行此操作，这会增加时间。是否有任何解决方案可以减少此操作所需的时间。

如果您知道类别级别的排名顺序（在您的示例中为字母顺序），则可以将类别转换为根据所需排名排序的级别的因子。然后按类别排序，按ID分组，并为每个ID取第一行

更新：回应您的评论和更新的问题：下面的代码将为每个ID从每个类别列中选择最高等级的值

DUMMY_DATA$CATEGORY1 = factor(DUMMY_DATA$CATEGORY1, levels=LETTERS[1:5], ordered=TRUE)
DUMMY_DATA$CATEGORY2 = factor(DUMMY_DATA$CATEGORY2, levels=c("AA","BB","CC","DD","EE"), ordered=TRUE)

现在，您可以执行以下任一操作：

DUMMY_DATA %>% group_by(ID) %>%
  summarise(CATEGORY1 = min(CATEGORY1),
            CATEGORY2 = min(CATEGORY2))

DUMMY_DATA %>% group_by(ID) %>%
  summarise_all(funs(min))

---

如果我的分类值是年龄组c60-70,70-75,75-80,80-85,85-90,90-95,95-120。在这种情况下我能做什么？是的，只要设置factordf$age.ranges，levels=c60-70,70-75,75-80,80-85,85-90,90-95,95-120，当您将该变量转换为因子时，ordered=TRUE。然后你可以按照我的回答进行排序和切片。我稍微改变了这个问题。实际上我有多个列，排列函数在当前情况下没有给出期望的结果。非常感谢@eipi10这正是我所需要的，它很快。

DUMMY_DATA$CATEGORY1 = factor(DUMMY_DATA$CATEGORY1, levels=LETTERS[1:5], ordered=TRUE)
DUMMY_DATA$CATEGORY2 = factor(DUMMY_DATA$CATEGORY2, levels=c("AA","BB","CC","DD","EE"), ordered=TRUE)

DUMMY_DATA %>% group_by(ID) %>%
  summarise(CATEGORY1 = min(CATEGORY1),
            CATEGORY2 = min(CATEGORY2))

DUMMY_DATA %>% group_by(ID) %>%
  summarise_all(funs(min))

     ID CATEGORY1 CATEGORY2
1    11         E        AA
2    22         B        AA
3    33         C        BB
4    44         A        AA
5    55         B        AA