在R语言中按条件筛选行：提取分组中与中位数差异最大的前2行

我有一个按ID1、ID2、ID3分组的dataframe，包含变量V1、V2、V3、V4。想要提取每组中与中位数差异最大的数值对应的行，为此计算了每个数值与中位数的差的平方（避免负值影响）。

示例dataframe代码：

colnames <- c("ID1", "ID2", "ID3", "V1", "V2", "V3", "V4")

a <- c("A", "B", "C", "D")
b <- c("X", "Y", "Z", "T")
c <- c("1", "2", "3", "4")
d <- c(1.23,2.03,2.45,5.66)
e <- c(1,2,3,4)

df <- data.frame(a,b,c,d,e)
colnames(df) <- colnames  # 补全列名设置

我编写了如下med_removed函数：

med_removed <- function(x, na.rm = TRUE, ...) {
  mad <- sort((x- median(x, na.rm = T))^2)
  y <- head(mad, 4)  
  y
}

df_selected <- df %>% group_by(ID1, ID2, ID3) %>% mutate_all(., med_removed)

但我的需求是基于(x-median(x))²的结果，从原始dataframe中筛选出每组中该值排名前2的行，请问有没有合适的实现方法？

可以借助dplyr的分组计算、排序和筛选功能实现，以下是两种常用方法：

方法一：使用slice_max（直观推荐） #

直接针对目标变量的差平方值，选出每组中最大的2行：

library(dplyr)

# 针对单个变量（比如V1）筛选
df_selected <- df %>%
  group_by(ID1, ID2, ID3) %>%
  # 计算当前变量与组内中位数的差平方
  mutate(V1_sq_diff = (V1 - median(V1, na.rm = TRUE))^2) %>%
  # 按差平方降序选前2行，with_ties=FALSE表示不保留并列值
  slice_max(order_by = V1_sq_diff, n = 2, with_ties = FALSE) %>%
  ungroup()

如果需要基于所有数值变量的综合差异（比如所有变量差平方的总和）筛选：

df_selected <- df %>%
  group_by(ID1, ID2, ID3) %>%
  mutate(
    # 为每个数值变量计算差平方
    across(V1:V4, ~ (.x - median(.x, na.rm = TRUE))^2, .names = "{.col}_sq_diff"),
    # 计算所有变量差平方的总和
    total_sq_diff = rowSums(across(V1_sq_diff:V4_sq_diff))
  ) %>%
  # 按总差平方降序选前2行
  slice_max(order_by = total_sq_diff, n = 2, with_ties = FALSE) %>%
  ungroup()

方法二：使用row_number排序筛选 #

通过给差平方值排名，筛选排名前2的行：

df_selected <- df %>%
  group_by(ID1, ID2, ID3) %>%
  mutate(
    V1_sq_diff = (V1 - median(V1, na.rm = TRUE))^2,
    # 按差平方降序生成排名
    rank = row_number(desc(V1_sq_diff))
  ) %>%
  # 筛选排名前2的行
  filter(rank <= 2) %>%
  ungroup()

关键注意点 #

• 原代码中group_by(ID1 ID2,ID3)存在语法错误，需改为group_by(ID1, ID2, ID3)；
• 示例dataframe的列名设置缺失，必须先执行colnames(df) <- colnames确保列名正确；
• 若需要保留并列最大值的所有行，可将with_ties参数设为TRUE。

内容的提问来源于stack exchange，提问作者Jas.flo