在R语言中基于多列条件（重复值、最值）删除行

问题说明 #

需要从数据框中按id和key分组，每个分组内再识别独立的连续/重叠范围，保留每个子范围中start最小、end最大的行（即覆盖范围最长的行）。

预处理：修复数据类型 #

原数据中end列混合了数值和字符类型，无法直接进行大小比较，首先转换为数值型：

df$end <- as.numeric(df$end)

方法1：使用dplyr包（推荐） #

通过分组、排序、标记独立范围组，最终筛选目标行：

library(dplyr)

df_result <- df %>%
  # 转换end列为数值型
  mutate(end = as.numeric(end)) %>%
  # 按id、key分组后按start排序
  group_by(id, key) %>%
  arrange(start, .by_group = TRUE) %>%
  # 标记独立的范围组：当前start超过前一行end时，开启新组
  mutate(range_group = cumsum(start > lag(end, default = first(end)))) %>%
  # 在每个细分组中筛选start最小且end最大的行
  group_by(id, key, range_group) %>%
  filter(start == min(start) & end == max(end)) %>%
  ungroup() %>%
  # 移除临时分组列
  select(-range_group)

# 查看结果
print(df_result)

方法2：使用Base R #

无需额外依赖包，通过排序、循环标记分组、再聚合筛选：

# 转换end列为数值型
df$end <- as.numeric(df$end)

# 按id、key、start排序
df_sorted <- df[order(df$id, df$key, df$start), ]

# 生成独立范围组标记
range_group <- numeric(nrow(df_sorted))
current_group <- 1
range_group[1] <- current_group

for(i in 2:nrow(df_sorted)){
  # 同一id和key下，当前start未超过前一行end则属于同一组
  if(df_sorted$id[i] == df_sorted$id[i-1] && 
     df_sorted$key[i] == df_sorted$key[i-1] && 
     df_sorted$start[i] <= df_sorted$end[i-1]){
    range_group[i] <- current_group
  } else {
    current_group <- current_group + 1
    range_group[i] <- current_group
  }
}
df_sorted$range_group <- range_group

# 按分组提取目标行
df_result <- do.call(rbind, 
                     by(df_sorted, 
                        list(df_sorted$id, df_sorted$key, df_sorted$range_group),
                        function(sub_df){
                          sub_df[sub_df$start == min(sub_df$start) & sub_df$end == max(sub_df$end), ]
                        }))

# 移除临时分组列
df_result <- df_result[, !names(df_result) %in% "range_group"]

# 查看结果
print(df_result)

最终结果 #

两种方法均可得到预期输出：

id key start end
1  id1   a   161 228
2  id1   b   353 408
3  id2   a   823 837
4  id2   a  1170 1194

内容的提问来源于stack exchange，提问作者xidelos