如何基于组内恒定变量的最大值筛选指定数量分组的数据集？

你遇到的问题在于用group_by(id)后调用top_n，这是在每个用户组内部筛选行，但每个用户的n_visits都是恒定的，所以每个组里的所有行都被保留了，自然得到全部数据。我们需要的是先筛选出n_visits最高的前2个用户，再保留这些用户的所有数据，具体方案如下：

方法一：分步筛选（清晰直观） #

先提取每个用户的唯一id和对应的n_visits（因为每个用户的n_visits不变，去重即可），然后选出前2个用户的id：

# 提取Top 2用户的id
top_users <- da %>%
  distinct(id, n_visits) %>%  # 获取每个用户的唯一访问次数记录
  top_n(2, n_visits) %>%      # 选出访问次数最高的2个用户
  pull(id)                    # 提取id向量

# 筛选原数据中这些用户的所有行
da %>% filter(id %in% top_users)

方法二：合并为一步（更简洁） #

可以把两步合并成一个链式操作，避免中间变量：

da %>%
  filter(
    id %in% (
      da %>%
        distinct(id, n_visits) %>%
        top_n(2, n_visits) %>%
        pull(id)
    )
  )

方法三：使用slice_max（dplyr新版本推荐） #

如果你的dplyr版本较新，推荐用slice_max替代top_n（top_n已被标记为软弃用），逻辑完全一致：

da %>%
  filter(
    id %in% (
      da %>%
        distinct(id, n_visits) %>%
        slice_max(n_visits, n = 2) %>%
        pull(id)
    )
  )

最终输出结果 #

不管用哪种方法，都会得到你期望的结果：

id n_visits
1  1        3
2  1        3
3  1        3
4  2        2
5  2        2
6  2        2

内容的提问来源于stack exchange，提问作者Scijens