使用 data.table 根据 R 中的 B 列有条件地删除 A 列中匹配的行

Question

尝试使用 R 中的 data.table 修复重复数据删除问题。

A 列是名称列表，其中一些名称出现多次。 B 列是日期列表。我还想复制许多其他列（Name on Date 发生的事情。）

但是，我只想查看新数据表中每个人的最多活动，其中每个名称对应于最近的日期有 1 个条目。

示例数据

    name.last       date
 1:     Adams 2014-10-20
 2:     Adams 2014-07-07
 3:   Barnett 2014-11-06
 4:   Barnett 2014-09-22
 5:      Bell 2014-10-22
 6:      Bell 2014-07-29
 7:     Burns 2014-09-08
 8:     Burns 2014-09-03
 9:   Camacho 2014-08-12
10:   Camacho 2014-07-08
11:  Casillas 2014-10-07
12:  Casillas 2014-07-17
13:    Chavez 2014-09-23
14:    Chavez 2014-09-17
15:   Chavira 2014-07-15
16:   Chavira 2014-07-07
17:    Claren 2014-10-30
18:    Claren 2014-10-23
19:  Colleary 2014-11-11
20:  Colleary 2014-11-07

答案将只返回每个名称的第一个（因为这里的行是按照每个第一个的最近日期排序的。）但是，如果我设置 dt 键 setkey(dt,name.last) 以便使用 unique() 删除重复项，它按键顺序（名称上的字母顺序）重新排序表。然后使用unique(dt) 返回每​​个名称的第一次出现，这不一定是最近的日期。

如果我在 setkeyv(dt,c(name.last,date)) 两列上设置键，我将无法使用 unique() 删除重复项，因为所有键都是唯一的。

问题类似于这里的一篇帖子：Collapsing data frame by selecting one row per group。但是，我不能假设要选择的数据是第一个或最后一个，除非您可以建议一种方法来操作我的数据以在设置密钥后使其如此。

Answer 1

有很多方法可以在不对数据表进行排序的情况下执行此操作（尽管排序是首选，因为duplicated 非常有效，而且您还避免使用by - 会做到这一点）。

首先，您必须确保 date 属于 Date 类，以使事情变得更容易

dt[, date := as.Date(date)]

第一个简单的方法（虽然不是最有效的）

dt[, max(date), name.last]
#     name.last         V1
#  1:     Adams 2014-10-20
#  2:   Barnett 2014-11-06
#  3:      Bell 2014-10-22
#  4:     Burns 2014-09-08
#  5:   Camacho 2014-08-12
#  6:  Casillas 2014-10-07
#  7:    Chavez 2014-09-23
#  8:   Chavira 2014-07-15
#  9:    Claren 2014-10-30
# 10:  Colleary 2014-11-11

第二种（提供的）方法与您的相似，但使用的是 data.tables setorder（对于 data.table 版本 >= 1.9.4），应该是最有效的

setorder(dt, name.last, -date)[!duplicated(name.last)]
#     name.last       date
#  1:     Adams 2014-10-20
#  2:   Barnett 2014-11-06
#  3:      Bell 2014-10-22
#  4:     Burns 2014-09-08
#  5:   Camacho 2014-08-12
#  6:  Casillas 2014-10-07
#  7:    Chavez 2014-09-23
#  8:   Chavira 2014-07-15
#  9:    Claren 2014-10-30
# 10:  Colleary 2014-11-11

您可以使用setkey（就像您已经做过的那样）和在duplicated 中指定from.last = TRUE 并删除! 来实现相同的目的

setkey(dt, name.last, date)[duplicated(name.last, from.last = TRUE)]

#     name.last       date
#  1:     Adams 2014-10-20
#  2:   Barnett 2014-11-06
#  3:      Bell 2014-10-22
#  4:     Burns 2014-09-08
#  5:   Camacho 2014-08-12
#  6:  Casillas 2014-10-07
#  7:    Chavez 2014-09-23
#  8:   Chavira 2014-07-15
#  9:    Claren 2014-10-30
# 10:  Colleary 2014-11-11

第三种方法是使用data.tables unique函数（应该也很高效）

unique(setorder(dt, name.last, -date), by = "name.last")
#     name.last       date
#  1:     Adams 2014-10-20
#  2:   Barnett 2014-11-06
#  3:      Bell 2014-10-22
#  4:     Burns 2014-09-08
#  5:   Camacho 2014-08-12
#  6:  Casillas 2014-10-07
#  7:    Chavez 2014-09-23
#  8:   Chavira 2014-07-15
#  9:    Claren 2014-10-30
# 10:  Colleary 2014-11-11

最后一种方法是使用.SD。这是效率最低的，但在某些情况下，当您想要获得所有列作为回报并且您不能使用诸如 sduplicated 之类的函数时，它很有用

setorder(dt, name.last, -date)[, .SD[1], name.last]
#     name.last       date
#  1:     Adams 2014-10-20
#  2:   Barnett 2014-11-06
#  3:      Bell 2014-10-22
#  4:     Burns 2014-09-08
#  5:   Camacho 2014-08-12
#  6:  Casillas 2014-10-07
#  7:    Chavez 2014-09-23
#  8:   Chavira 2014-07-15
#  9:    Claren 2014-10-30
# 10:  Colleary 2014-11-11

Answer 2

如果我理解你的问题，我认为你可以使用 sqldf 包更清楚地做到这一点，但缺点是你必须了解 sql.

install.packages("sqldf")
library("sqldf")
dt <-data.frame(read.table(header = TRUE, text = " name.last       date
1:     Adams 2014-10-20
2:     Adams 2014-07-07
3:   Barnett 2014-11-06
4:   Barnett 2014-09-22
5:      Bell 2014-10-22
6:      Bell 2014-07-29
7:     Burns 2014-09-08
8:     Burns 2014-09-03
9:   Camacho 2014-08-12
10:   Camacho 2014-07-08
11:  Casillas 2014-10-07
12:  Casillas 2014-07-17
13:    Chavez 2014-09-23
14:    Chavez 2014-09-17
15:   Chavira 2014-07-15
16:   Chavira 2014-07-07
17:    Claren 2014-10-30
18:    Claren 2014-10-23
19:  Colleary 2014-11-11
20:  Colleary 2014-11-07")
)
head(dt)
colnames(dt) <- c('names', 'date')
sqldf("select names, min(date), max(date) from dt group by names")

希望这会有所帮助。

Answer 3

在写这篇文章时，我想通了。为了后代......

按名称和日期对表格进行排序，以便您可以根据希望成为组中第一个或最后一个的日期。例如：dt[order(names,-date)]。

那么与其设置密钥并使用unique()，不如简单：

dt[!duplicated(names)]

names 是重复的列。

应该输出所需的表。如果有更优雅/可靠的方法可以做到这一点，我会很想听听。