我有这种结构的数据（真实数据更复杂）：
df1 <- read.table(text = "DT odczyt.1 odczyt.2
'2023-08-14 00:00:00' 362 1.5
'2023-08-14 23:00:00' 633 4.3
'2023-08-15 05:00:00' 224 1.6
'2023-08-15 23:00:00' 445 5.6
'2023-08-16 00:00:00' 182 1.5
'2023-08-16 23:00:00' 493 4.3
'2023-08-17 05:00:00' 434 1.6
'2023-08-17 23:00:00' 485 5.6
'2023-08-18 00:00:00' 686 1.5
'2023-08-18 23:00:00' 487 6.8
'2023-08-19 00:00:00' 566 1.5
'2023-08-19 05:00:00' 278 7.9
'2023-08-19 17:00:00' 561 11.5
'2023-08-19 18:00:00' 365 8.5
'2023-08-19 22:00:00' 170 1.8
'2023-08-19 23:00:00' 456 6.6
'2023-08-20 00:00:00' 498 1.5
'2023-08-20 03:00:00' 961 1.54
'2023-08-20 05:00:00' 397 1.6
'2023-08-20 19:00:00' 532 6.6
'2023-08-20 23:00:00' 493 3.8
'2023-08-21 01:00:00' 441 9.2
'2023-08-21 07:00:00' 793 8.5
'2023-08-21 13:00:00' 395 5.5", header = TRUE) %>%
mutate (DT = as.POSIXct(DT))
我选择“reading 1”具有最大值的 3 小时（我将“reading 1”从最大值排序并选择 3 个最大值）。我保留了这些时间发生的日期并删除了其余的行。 对于给定的数据，这些是：
2023-08-20 03:00:00 (961)
2023-08-21 07:00:00 (793)
2023-08-18 00:00:00 (686)
因此预期结果是：
> df1
DT odczyt.1 odczyt.2
1 2023-08-18 00:00:00 686 1.50
2 2023-08-18 23:00:00 487 6.80
3 2023-08-20 00:00:00 498 1.50
4 2023-08-20 03:00:00 961 1.54
5 2023-08-20 05:00:00 397 1.60
6 2023-08-20 19:00:00 532 6.60
7 2023-08-20 23:00:00 493 3.80
8 2023-08-21 01:00:00 441 9.20
9 2023-08-21 07:00:00 793 8.50
10 2023-08-21 13:00:00 395 5.50
这是一个想法：
df1 |>
mutate(
day = as.Date(trunc(DT)),
rnk = rank(odczyt.1, ties="first")
) |>
filter(.by = day, any(rnk <= 3))
# DT odczyt.1 odczyt.2 day rnk
# 1 2023-08-15 05:00:00 224 1.6 2023-08-15 3
# 2 2023-08-15 23:00:00 445 5.6 2023-08-15 11
# 3 2023-08-16 00:00:00 182 1.5 2023-08-16 2
# 4 2023-08-16 23:00:00 493 4.3 2023-08-16 15
# 5 2023-08-19 00:00:00 566 1.5 2023-08-19 20
# 6 2023-08-19 05:00:00 278 7.9 2023-08-19 4
# 7 2023-08-19 17:00:00 561 11.5 2023-08-19 19
# 8 2023-08-19 18:00:00 365 8.5 2023-08-19 6
# 9 2023-08-19 22:00:00 170 1.8 2023-08-19 1
# 10 2023-08-19 23:00:00 456 6.6 2023-08-19 12