r - 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 解决重复数据删除问题。

A 列是名称列表，其中一些名称出现了多次。 B 列是日期列表。还有许多其他列我也想复制(日期发生在 Name 上的事情。)

但是，我只想查看新数据表中每个人的最多事件，该数据表中每个名称都有 1 个条目，对应于最近的日期。

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字的第一个(因为这里的行是根据每个名字的最近日期排序的。)但是如果我设置 dt 键 setkey(dt,name.last) 为了使用 unique() 删除重复项，它按键顺序(按名称的字母顺序)对表重新排序。然后使用 unique(dt) 返回每个名字的第一次出现，不一定是最近的日期。

如果我在两列上设置键 setkeyv(dt,c(name.last,date)) 我就不能使用 unique() 作为所有键来删除重复项是独一无二的。

问题类似于此处的一篇文章: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纵我的数据，以便在设置 key 后做到这一点。

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，而且您还可以避免使用 by - 将做到这一点)。

首先，您必须确保 date 属于 Date 类，以便使事情变得更容易

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

第一种简单的方法(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)方法与您的类似，但使用的是 data.tables setorder(对于 data.table 版本 >= 1.9.4)并且应该是最高效

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)并在 duplicated 中指定 from.last = TRUE 并删除 !

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.table的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。它的效率最低，但在某些情况下很有用，当您想要返回所有列并且您不能使用 sduplicated

等函数时

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