使用aggregate函数按组求指定列非零最小值时如何排除零？

你遇到的核心问题是默认的min()函数会把0纳入计算范围，所以我们需要自定义逻辑，先过滤掉0之后再求最小值。下面给你两种实用的解决方案：

方案1：用aggregate()配合自定义函数 #

首先先把你的数据集加载到R中（假设数据是空格分隔格式）：

# 读取并构造数据集
dataset <- read.table(text = "6b9691fa 1 0 2 1 4
6b9691fa 1 1 -1 1 5
6b9691fa 1 2 3 0 4
6b9691fa 2 0 1 5 3
6b9691fa 2 1 0 5 3
6b9691fa 2 2 3 5 3
6b9691fa 3 0 10 1 9
6b9691fa 3 1 10 0 9
6b9691fa 3 2 10 1 9")

接下来定义一个排除0的最小值函数，先筛选出向量中的非0元素，再计算最小值；同时处理分组内某列全为0的边界情况：

min_non_zero <- function(x) {
  # 提取非0元素
  non_zero_vals <- x[x != 0]
  # 若该分组下此列全为0，返回NA（可根据需求改成其他值，比如Inf）
  if (length(non_zero_vals) == 0) {
    return(NA)
  } else {
    return(min(non_zero_vals))
  }
}

最后把这个自定义函数替换原来的min传入aggregate()：

aggregate(dataset[,4:6], list(dataset$V2), min_non_zero)

运行后就能得到排除0后的分组最小值，比如V2=1的组中，V5列原来的0会被排除，最终取最小值1。

方案2：用dplyr（tidyverse风格，更直观易读） #

如果你习惯用tidyverse的语法，这个方案会更简洁：

library(dplyr)

dataset %>%
  group_by(V2) %>%
  summarise(
    # 批量处理V4到V6列，每列先筛掉0再取最小值
    across(V4:V6, ~min(.x[.x != 0], na.rm = TRUE))
  )

这里across()用于批量处理多列，na.rm=TRUE是为了处理分组内某列全为0的情况（此时会返回NA）。

两种方案都能解决你的问题，你可以根据自己的代码习惯选择。如果需要调整全0列的返回值，直接修改对应逻辑即可。

内容的提问来源于stack exchange，提问作者Adam Amin