基于最大值与第二大值的差值筛选DataFrame分组

问题描述 #

现有如下R DataFrame df：

> df
   group value
1      A     5
2      A     1
3      A     1
4      A     5
5      B     8
6      B     2
7      B     2
8      B     3
9      C    10
10     C     1
11     C     1
12     C     8

df的dput代码：

df<-structure(list(group = c("A", "A", "A", "A", "B", "B", "B", "B", 
"C", "C", "C", "C"), value = c(5, 1, 1, 5, 8, 2, 2, 3, 10, 1, 
1, 8)), class = "data.frame", row.names = c(NA, -12L))

需求：根据每组最大值与第二大值的差值筛选分组，仅保留差值≤2的分组。例如B组最大值8，第二大值3，差值5，需被移除，最终期望输出：

group value
1     A     5
2     A     1
3     A     1
4     A     5
5     C    10
6     C     1
7     C     1
8     C     8

解决方案 #

方法1：使用dplyr包（tidyverse风格） #

通过分组计算临时差值，筛选符合条件的分组后清理临时列：

library(dplyr)

df %>%
  group_by(group) %>%
  mutate(
    # 提取每组去重后降序排列的数值列表
    unique_vals = list(sort(unique(value), decreasing = TRUE)),
    # 计算最大值与第二大值的差值，单值组差值设为0
    diff_max = ifelse(length(unique_vals[[1]]) >= 2, unique_vals[[1]][1] - unique_vals[[1]][2], 0)
  ) %>%
  filter(diff_max <= 2) %>%
  select(-unique_vals, -diff_max) %>%
  ungroup()

方法2：使用base R #

先计算每组的差值，再筛选原数据中符合条件的分组：

# 按分组计算最大值与第二大值的差值
group_diff <- tapply(df$value, df$group, function(x) {
  sorted_unique <- sort(unique(x), decreasing = TRUE)
  if (length(sorted_unique) >= 2) sorted_unique[1] - sorted_unique[2] else 0
})

# 筛选出差值≤2的分组
valid_groups <- names(group_diff[group_diff <= 2])

# 提取原数据中符合条件的行
df[df$group %in% valid_groups, ]

两种方法均可得到目标输出，若分组内所有值相同（仅一个唯一值），差值为0会被自动保留。

内容的提问来源于stack exchange，提问作者Quinten