R - 保留不是 NA 的最新数据，除非只有 NA 可用答案

【问题标题】：R - Keep newest data that is not NA, unless only NA availableR - 保留不是 NA 的最新数据，除非只有 NA 可用
【发布时间】：2017-02-28 22:01:59
【问题描述】：

我有一个包含三列的数据集：年份、城市、值，如下所示：

year = c(2010, 2013, 2010, 2013, 2013)
city = c("Berlin","Berlin", "Munich", "Munich", "Frankfurt")
value = c(1234, NA, NA, 6372, NA)
data <- data.frame(year, value1, value2)

 year    city    value
1 2010    Berlin   1234
2 2013    Berlin     NA
3 2010    Munich     NA
4 2013    Munich   6372
5 2013 Frankfurt     NA

我想知道如何对其进行子集化，以便只保留可用的最新数据，最后我会得到如下数据：

 year    city    value
1 2010    Berlin   1234
2 2013    Munich   6372
3 2013 Frankfurt     NA

如果我在最高年份进行子集化，我会得到那一年没有数据的 NA。如果我在!is.na() 上设置子集，我会丢失所有only NA 可用的行。

我特别想做的是获取给定城市的数据最高年份，除非该城市只有 NA，然后是 NA 最高的年份。我该怎么办？

【问题讨论】：

您到底想对什么进行子集化？从您的示例来看，您似乎不想对最高年份进行子集化，是否还有其他变量未在此处显示？
啊，不：我想为城市列子集：给定城市数据的最高年份，除非该城市只有 NA，然后是 NA 最高的年份。是不是更清楚了？

标签： r dataframe subset na

【解决方案1】：

我们可以使用data.table。将'data.frame'转换为'data.table'（setDT(data)），按'city'分组，我们指定'i'为'year'在降序order索引，if有@987654325 @non-NA 'value'，我们根据第一个non-NA 'value' 的索引对'Data.table' 进行Subset 或else 返回Data.table 的Subset。

library(data.table)
setDT(data)[order(-year), if(any(!is.na(value)))  
            .SD[which(!is.na(value))[1L]] else .SD, by = city]

或者@David Arenburg 提供的紧凑选项，我们从which.max 获取索引

setDT(data)[order(-year), .SD[which.max(!is.na(value))], by = city]

或使用.I 进行修改以使其更快

setDT(data)[data[order(-year), .I[which.max(!is.na(value))], by = city]$V1]

【讨论】：

这真是太棒了，谢谢！在我的真实数据集上尝试过，效果很好:) 不过有一个问题：如果我有多年的时间在一个有 NA 的城市（所以 2010 年，法兰克福，NA；2011 年，法兰克福，NA；2013 年，法兰克福，NA）它保留了所有这些年。我如何只保留该案例的最新年份？
或者只是setDT(data)[order(-year), .SD[which.max(!is.na(value))], by = city]
@DavidArenburg 非常好。实际上，我正在尝试与which 类似。正在通话，所以无法专注于它
which 和which.max 之间的区别在于，如果一切都是FALSE，which 将不返回任何内容，而which.max 将返回第一行。比较 which(FALSE) 和 which.max(FALSE)。无论哪种方式，您都可以根据需要将其添加到您的答案中

【解决方案2】：

使用dplyr 的更详细、迂回的方法。它也适用于您拥有多年 NA 的情况。

library(dplyr)
data %>%
  group_by(city) %>%
  mutate(all_na = all(is.na(value)),
         remove = ifelse(all_na,
                         year != max(year),
                         is.na(value))) %>%
  ungroup() %>%
  filter(!remove) %>%
  select(-all_na, -remove)

【讨论】：

【解决方案3】：

max_pos(x) 返回x 的最后一个非NA 元素在x 中的位置，或者如果没有非NA 元素，则返回x 的最后一个位置。 is_max 返回一个逻辑值，在最大位置为 TRUE，在其他位置为 FALSE。请注意，ave 将强制其结果为其第一个参数的类型，因此我们使用!! 将其转回逻辑。最后，我们对这些元素进行子集化。这假设输入按城市内的年份排序，就像问题中的情况一样。

请注意，max_pos 是通过使用这些事实而变得紧凑的：

在seq_along(x) * 0*x 中，0*x 是一个由零和 NA 组成的向量，因此将其与 seq_along(x) 的相应元素相加。也就是说，它给出了与 replace(seq_along(x), is.na(x), NA) 相同的结果，可以在它的位置使用。
如果x 是所有 NA 值并且c(arg1, arg2)[1] 给出与if (length(arg1) == 0) arg2 else arg1 相同的结果，which.max 将返回零长度结果，可以在其位置使用。

没有使用任何包。

max_pos <- function(x) c(which.max(seq_along(x) + 0*x), length(x))[1]
is_max <- function(x) seq_along(x) == max_pos(x)
subset(data, !!ave(value, city, FUN = is_max))

给予：

  year      city value
1 2010    Berlin  1234
4 2013    Munich  6372
5 2013 Frankfurt    NA

【讨论】：