基于组级值的子集 R 数据框答案

【问题标题】：Subset R data frame based on group-level values基于组级值的子集 R 数据框
【发布时间】：2016-06-30 05:48:06
【问题描述】：

我有一个带有 ID 的数据框 (df1)，日期按 (1) ID 和 (2) 日期升序排序：

ID____Date
1_____1990-01-01
1_____1991-01-01
1_____1992-01-01
1_____1993-01-01
2_____1990-01-01
2_____1991-01-01
3_____1990-01-01
3_____1991-01-01
3_____1992-01-01

我想根据来自以下数据框 (df2) 的组级别值对上述数据框进行子集化：

ID____Date
1_____1993-01-01
2_____1990-01-01
3_____1991-01-01

子集条件：选择df1中特定ID的所有行，其日期小于或等于（<=）df2中对应ID的日期。

在上面的例子中，期望的输出是：

ID____Date
1_____1991-01-01
1_____1992-01-01
1_____1993-01-01
2_____1990-01-01
3_____1990-01-01
3_____1991-01-01

【问题讨论】：

标签： r

【解决方案1】：

我们可以使用data.table。将“data.frame”转换为“data.table”（setDT(df1)），与“df2”on“ID”列连接，将“Date”小于或等于“i.Date”的行作为子集'，并将 (:=) 'i.Date' 赋值为 NULL。

library(data.table)
setDT(df1)[df2, on = 'ID'][Date <= i.Date][, i.Date := NULL]

或者这可以一步完成

setDT(df1)[df2, .SD[Date <= i.Date], on = 'ID', by = .EACHI]
#   ID       Date
#1:  1 1990-01-01
#2:  1 1991-01-01
#3:  1 1992-01-01
#4:  1 1993-01-01
#5:  2 1990-01-01
#6:  3 1990-01-01
#7:  3 1991-01-01

或者

setDT(df1)[df2, .SD[Date <= i.Date] ,on = 'ID']

我们也可以使用base R来做到这一点

df1[df1$Date <= df2$Date[match(df1$ID, df2$ID)],]
#  ID       Date
#1  1 1990-01-01
#2  1 1991-01-01
#3  1 1992-01-01
#4  1 1993-01-01
#5  2 1990-01-01
#7  3 1990-01-01
#8  3 1991-01-01

【讨论】：

Base R 解决方案的运行速度比 data.table 和 sqldf 快得多。在 1 秒内处理 200 万行，而 sqldf 为 20 秒，data.table 为 2 秒
@NaveenMathew 是因为我们没有加入，而是使用match 来获取索引。它要快得多。

【解决方案2】：

也可以使用sqldf 来完成：

library(sqldf)
sqldf("select a.* from df1 a, df2 b where a.Date <= b.Date AND a.ID = b.ID" )

【讨论】：