如何用dplyr按PIT分组筛选data1生成data2：保留rx特定行

原始数据与目标结果 #

data1 <- data.frame(
  PIT = c(20111002, 20111002, 20111002, 20111002, 20111003, 20111003, 20111003, 20111003, 20111003, 20111003, 20111003, 20111003, 20111003, 20111003, 20111003, 20111003, 20111006, 20111006, 20111006, 20111006, 20111006),
  rx = c(39, 42, 101, 109, 39, 42, 101, 109, 138, 138, 138, 136, 138, 138, 139, 139, 39, 39, 39, 39, 42)
)

# 目标结果（注：原data2中的2011102为输入笔误，实际应为20111002）
data2 <- data.frame(
  PIT = c(20111002, 20111002, 20111003, 20111003, 20111006, 20111006),
  rx = c(39, 109, 39, 138, 39, 42)
)

需求说明 #

按PIT字段分组，每组固定保留两行：

• 第一行：rx字段第一个最小值对应的行
• 第二行：优先取rx中第一个大于110的值对应的行；若组内无rx>110的记录，则取rx字段第一个最大值对应的行

解决方案代码 #

library(dplyr)

result <- data1 %>%
  group_by(PIT) %>%
  slice(
    # 提取第一个最小值的行位置
    which.min(rx),
    # 按规则提取第二行的位置：先找第一个>110的，没有则找第一个最大值
    if (any(rx > 110)) which(rx > 110)[1] else which.max(rx)
  ) %>%
  ungroup()

# 查看最终结果
result

结果验证 #

运行代码后输出与修正笔误后的data2完全一致：

# A tibble: 6 × 2
      PIT    rx
     <dbl> <dbl>
1 20111002    39
2 20111002   109
3 20111003    39
4 20111003   138
5 20111006    39
6 20111006    42

关键逻辑解释 #

• group_by(PIT)：按日期维度分组处理每组数据
• slice()：通过行索引提取目标行，传入两个索引参数：
  1. which.min(rx)：直接返回组内第一个rx最小值的位置
  2. 条件判断：用any(rx>110)检查组内是否存在符合阈值的记录，存在则取第一个匹配索引，否则取第一个最大值的索引
• ungroup()：取消分组，恢复为普通数据框结构

内容的提问来源于stack exchange，提问作者coreyeddy