如何在R中按col_x分组去重后取col_z最高的5条记录？

现有一个名为sorted_df的R数据框，包含col_x、col_y、col_z三列共1200行，已按col_z降序排序。其中：

• col_x有6个唯一字符串（如A、B、C等）
• col_y有800个唯一字符串
• col_z为1200个唯一浮点数

需求是按col_x分组，选择每组中col_z值最高的5行，且每组内的col_y必须是唯一字符串。但当前代码运行后，同一col_x分组下会出现多条col_y相同的记录（仅col_z值不同），不符合需求。

核心思路是先去除col_x+col_y的重复组合（保留每个组合中col_z最大的条目），再按col_x分组取前5个最高col_z的记录。使用dplyr包的代码如下：

# 先去重：每个col_x+col_y组合只保留col_z最大的行，再按col_x分组取前5
top_5_unique <- sorted_df %>%
  # 按col_x和col_y组合分组，保留每组col_z最大的1行
  group_by(col_x, col_y) %>%
  slice_max(col_z, n = 1) %>%
  # 回到按col_x分组
  group_by(col_x) %>%
  # 分组内按col_z降序排序
  arrange(desc(col_z), .by_group = TRUE) %>%
  # 取每组前5行
  slice(1:5)

代码说明 #

• group_by(col_x, col_y)：将数据按col_x（目标分组）和col_y（需要去重的列）的组合进行分组
• slice_max(col_z, n = 1)：在每个组合分组中，仅保留col_z值最大的那一行，彻底消除col_x+col_y的重复情况
• group_by(col_x)：重新切换到按col_x的单独分组
• arrange(desc(col_z), .by_group = TRUE)：确保在每个col_x分组内部，数据按col_z从高到低排序
• slice(1:5)：提取每个col_x分组的前5行，即为每组满足col_y唯一且col_z最高的5条记录

内容的提问来源于stack exchange，提问作者Steven Hill