使用“data.table”从重复行中选择非“NA”值

Question

我有一个data.table，需要对应该唯一的多个值进行一些清理——一个简化的示例应该会有所帮助：

> DT 
  id type
1: 1    A
2: 2    X
3: 3    X
4: 3    G
5: 3    NA
6: 4    D
7: 5    NA

我遇到的问题是同一 ID 的“类型”有多个值，或者：

> DT[id == 3]
   id type
1: 3    X
2: 3    G
3: 3    NA

多个值的来源无关紧要，但我想以特定方式清除它：取 last 报告的值，除非它是 NA。所以清理应该导致每个 ID 有一行，在示例中看起来像：

> DTclean
  id type
1: 1    A
2: 2    X
3: 3    G
4: 4    D
5: 5    NA

我目前的做法是把DT按type排序，这样所有的NA都在前，然后用duplicated——这个可以接受，但我觉得有更好的方法，另外，虽然不是很重要，但这并不总是采用最后报告的值——在上述情况下，它采用 X 而不是 G。

这是我目前的做法：

> setorder(DT, type)
> DTclean <- DT[!duplicated(id, fromLast = T)]
> DTclean
  id type
1: 1    A
2: 2    X
3: 3    X
4: 4    D
5: 5    NA

任何想法/帮助将不胜感激！

Answer 1

对您的想法稍作改动应该会奏效。这个概念是您想要一个单独的列，仅指示“类型”是否为 NA，而不是值，并按该列排序，然后按原始 ID：

> DT$typena<-is.na(DT$type)
> setorderv(DT,c('typena','id'),order=c(-1,1))
> DT[!duplicated(id,fromLast=T)]
   id type typena
1:  5   NA   TRUE
2:  1    A  FALSE
3:  2    X  FALSE
4:  3    G  FALSE
5:  4    D  FALSE

如果您不希望额外的列被指定为 NULL，您可以再次删除它，或者一步完成：

DT[!duplicated(id,fromLast=T),c('id','type'),with=F]

这是上面示例数据的dput：

DT <- structure(list(id = c(1L, 2L, 3L, 3L, 3L, 4L, 5L), type = c("A", 
      "X", "X", "G", NA, "D", NA)), .Names = c("id", "type"), 
      row.names =  c(NA, -7L), class = c("data.table", "data.frame"))

Answer 2

我得到了一种稍微不同的方法，它也产生了所需的输出。 您只需要两个额外的列，但它应该很简单。这个想法基于 T-SQL 中可用的 Row_Number() 函数。

  library(data.table)
  id <- as.integer(c(1,2,3,3,3,4,5))
  type <- as.character(c("A", "X", "X", "G", NA, "D", NA))

  DT <- data.table(id,type)

  DT[, Index := 1:.N]
  DT[,idRank:=rank(Index), by = c("id" )][idRank == 1, .(id, type)]