选择日期变量的最后一次观察 - SPSS 或 R

Question

我对 R 比较陌生，所以我意识到这种类型的问题经常被问到，但我已经阅读了很多堆栈溢出帖子，但仍然无法对我的数据进行处理。

我在导入到 R 的两个数据集中有关于 spss 的数据。我的两个数据集都包含一个 id (IDC)，我一直用它来合并它们。在合并之前，我需要过滤其中一个数据集以专门选择日期变量的最后一次观察。

我的数据集 d1 有一个长格式的纵向测量。每个 IDC 有多行，代表不同的居住地（社区）。每行都有自己的“start_date”，这是一个不一定唯一的变量。

正如它在 spss 上的样子：

IDC	neighborhood	start_date
1	22	08.07.2001
1	44	04.02.2005
1	13	21.06.2010
2	44	24.12.2014
2	3	06.03.2002
3	22	04.01.2006
4	13	08.07.2001
4	2	15.06.2011

在 R 中，开始日期看起来不一样，而是一个长数字，例如“13529462400”。我不明白这种格式，但我认为它仍然会保留日期顺序......

到目前为止，这是我选择最后日期的所有尝试。所有尝试都运行了，没有错误。输出只是没有给我想要的。在我看来，这些都没有改变 IDC 的重复次数，所以它们都没有真正选择 *only last date。

##### attempt 1 --- not working
d1$start_date_filt <- d1$start_date
d1[order(d1$IDC,d1$start_date_filt),]  # Sort by ID and week
d1[!duplicated(d1$IDC, fromLast=T),] # Keep last observation per ID)

###### attempt 2--- not working 
myid.uni <- unique(d1$IDC)
a<-length(myid.uni)

last <- c()

for (i in 1:a) {
  temp<-subset(d1, IDC==myid.uni[i])
  if (dim(temp)[1] > 1) {
    last.temp<-temp[dim(temp)[1],]
  }
  else {
    last.temp<-temp
  }
  last<-rbind(last, last.temp)
}

last

##### atempt 3 -- doesn't work

do.call("rbind",
        by(d1,INDICES = d1$IDC,
      FUN=function(DF)
      DF[which.max(DF$start_date),]))

#### attempt 4 -- doesnt work 
library(plyr)
ddply(d1,.(IDC), function(X)
  X[which.max(X$start_date),])

### merger code -- in case something has to change with that after only the last start_date is selected
merge(d1,d2, IDC)

我的目标数据集 d1 如下所示：

IDC	neighborhood	start_date
1	13	21.06.2010
2	44	24.12.2014
3	22	04.01.2006
4	2	15.06.2011

感谢您的帮助，非常感谢

Answer 1

大多数处理此数据的方法都存在一些问题：因为您的日期是格式不正确的任意字符串，所以它恰好在这里工作，因为最大日期也发生在最大年份。

在 R 中将该列作为 Date 对象使用通常会更好，这样比较会更好。

dat$start_date <- as.Date(dat$start_date, format = "%d.%m.%Y")
dat
#   IDC neighborhood start_date
# 1   1           22 2001-07-08
# 2   1           44 2005-02-04
# 3   1           13 2010-06-21
# 4   2           44 2014-12-24
# 5   2            3 2002-03-06
# 6   3           22 2006-01-04
# 7   4           13 2001-07-08
# 8   4            2 2011-06-15

从这里开始，事情就简单了一点：

基础 R

do.call(rbind, by(dat, dat[,c("IDC"),drop=FALSE], function(z) z[which.max(z$start_date),]))
#   IDC neighborhood start_date
# 1   1           13 2010-06-21
# 2   2           44 2014-12-24
# 3   3           22 2006-01-04
# 4   4            2 2011-06-15

dplyr

dat %>%
  group_by(IDC) %>%
  slice(which.max(start_date)) %>%
  ungroup()
# # A tibble: 4 x 3
#     IDC neighborhood start_date
#   <int>        <int> <date>    
# 1     1           13 2010-06-21
# 2     2           44 2014-12-24
# 3     3           22 2006-01-04
# 4     4            2 2011-06-15

---

数据

dat <- structure(list(IDC = c(1L, 1L, 1L, 2L, 2L, 3L, 4L, 4L), neighborhood = c(22L, 44L, 13L, 44L, 3L, 22L, 13L, 2L), start_date = c("08.07.2001", "04.02.2005", "21.06.2010", "24.12.2014", "06.03.2002", "04.01.2006", "08.07.2001", "15.06.2011")), class = "data.frame", row.names = c(NA, -8L))