在R中处理变量生成新数据集：筛选患者用药最多药房

别发愁啦，我正好能帮你解决这个问题！你需要的是按患者分组，先计算每个患者在每家药房的总取药量，再选出每个患者总药量最高的那家药房——这其实是个很典型的分组聚合+筛选问题，可能你之前用dplyr的时候步骤没串对，我给你详细的代码和优化方案：

1. 使用dplyr实现（逻辑清晰，适合入门） #

dplyr的语法很直观，我们分两步走：先按「患者+药房」分组求和，再按「患者」分组筛选出总药量最大的记录：

library(dplyr)

# 你的示例数据
df <- data.frame(
  name = c("Tom", "Rob", "Tom", "Tom", "Amy"),
  pharmacy = c("A", "B", "B", "B", "C"),
  meds = c(3, 2, 5, 8, 2)
)

# 第一步：计算每个患者在各药房的总取药量
df_grouped <- df %>%
  group_by(name, pharmacy) %>%
  summarise(total_meds = sum(meds), .groups = "drop")

# 第二步：为每位患者筛选出总药量最高的药房
df_final <- df_grouped %>%
  group_by(name) %>%
  filter(total_meds == max(total_meds)) %>%
  ungroup()

# 查看结果
print(df_final)

运行后会得到你期望的结果：

# A tibble: 3 × 3
  name  pharmacy total_meds
  <chr> <chr>         <dbl>
1 Amy   C                 2
2 Rob   B                 2
3 Tom   B                13

处理平局情况 #

如果有患者在多家药房的总取药量相同，上面的代码会保留所有符合条件的记录。如果你只想保留其中一条（比如第一条），可以在filter后加上slice_head(n = 1)：

df_final_single <- df_grouped %>%
  group_by(name) %>%
  filter(total_meds == max(total_meds)) %>%
  slice_head(n = 1) %>% # 只保留每个患者的第一个最高量药房
  ungroup()

2. 使用data.table实现（针对大数据优化，速度更快） #

你的数据集有2400万行，dplyr可能会有点慢，data.table是处理大数据的绝佳选择——它的内存占用更低、运算速度更快，非常适合这种大规模数据集：

library(data.table)

# 转换为data.table格式（或者直接用fread读取原始数据，比read.csv快很多）
setDT(df)

# 一步完成分组求和+筛选最高量药房
dt_final <- df[, .(total_meds = sum(meds)), by = .(name, pharmacy)][
  , .SD[total_meds == max(total_meds)], by = name
]

# 如果要处理平局，只保留第一条：
dt_final_single <- df[, .(total_meds = sum(meds)), by = .(name, pharmacy)][
  , .SD[which.max(total_meds)], by = name
]

# 查看结果
print(dt_final)

大数据读取建议 #

如果你的原始数据是CSV等格式，推荐用data.table的fread()函数读取，比base R的read.csv()快几十倍：

# 读取大规模数据集
df <- fread("your_large_dataset.csv")

内容的提问来源于stack exchange，提问作者AlexM