如何在R中按id对data frame取子集，每个id仅采样1行？

你可以根据使用的工具选择对应实现方法：

Python Pandas 实现 #

• 基础通用方法，直接调用drop_duplicates方法即可，默认保留每个id第一次出现的行：

df_unique = df.drop_duplicates(subset="codigo_pon", keep="first")

• 参数调整说明：
  • 若要保留每个id最后一次出现的行，将keep参数改为"last"
  • 若不需要保留原df，可添加inplace=True参数直接修改原对象，节省内存
• 大体量DataFrame优化方案：如果数据量极大内存占用较高，可以先提取待保留的索引再过滤，减少中间内存开销：

# 先获取所有唯一id的首次出现行索引
keep_idx = df["codigo_pon"].drop_duplicates(keep="first").index
# 按索引过滤得到去重结果，重置行索引
df_unique = df.loc[keep_idx].reset_index(drop=True)

R 语言实现 #

• 使用dplyr包的distinct方法实现：

library(dplyr)
# 按codigo_pon去重，保留所有列
df_unique <- df %>% distinct(codigo_pon, .keep_all = TRUE)

注意：如果需要保留每个id满足特定规则的行（如数值最大、时间最新等），可以先按照对应字段排序后再执行去重操作，此时keep="first"会默认保留排序后优先级最高的行。

内容的提问来源于stack exchange，提问作者João Reis