r - 按日期和 ID 过滤重复项

Question

我有一个如下所示的数据框

Id      Date1        Date2        QuestionId   AnswerValue
10      2000-01-14   2000-01-14   1339         3
10      2000-01-14   1999-12-09   1339         2
10      2000-01-14   1999-11-23   1461         1 
10      2000-01-14   2000-01-03   1461         18
10      2000-01-14   1999-11-16   274          0
57      2014-02-01   2014-12-10   278          0
57      2014-02-01   2012-11-07   280          0
57      2014-02-01   2012-09-30   280          0 
57      2014-02-01   2012-01-15   261          0 

我的目标是根据以下标准保留观察结果。

1. 保留该 ID 和 QuestionID 组合的行，其中 QuestionID 是唯一的，并且该 ID+QuestionID 组合没有其他重复的 QuestionID。示例:保留最后一行

Id      Date1        Date2        QuestionId   AnswerValue
57      2014-02-01   2012-01-15   261          0 

1. 如果每个 QuestionID+ID 组合都有重复的 QuestionID，则仅保留 Date2 列值最接近 Date1 列值的 QuestionID 行，例如，Id 10 有两个 QuestionID 1339。根据此标准，只有第一行应该被保留是因为问题 ID 1339 的 Date2 值 2000-01-14 与 Date1 值 2000-01-14 相比第二行最接近 Date1 值 2000-01-14，其中 Date2 值为 1999-12-09 与 Date1 值 2000-01- 14.

Id      Date1        Date2        QuestionId   AnswerValue
10      2000-01-14   2000-01-14   1339         3

1. 删除 Date2 值大于 Date1 的所有行，例如应该删除第 6 行

   Id Date1 Date2 QuestionId AnswerValue57 2014-02-01 2014-12-10 278 0

最终的数据集如下所示。

Id      Date1        Date2        QuestionId   AnswerValue
10      2000-01-14   2000-01-14   1339         3
10      2000-01-14   2000-01-03   1461         18
10      2000-01-14   1999-11-16   274          0
57      2014-02-01   2014-12-10   278          0
57      2014-02-01   2012-11-07   280          0
57      2014-02-01   2012-01-15   261          0 

非常感谢任何有助于实现这一目标的帮助。提前致谢。

Answer 1

这是一个使用dplyr的想法，

library(dplyr)

df %>% 
  group_by(Id, QuestionId) %>% 
  slice(which.min(difftime(Date1, Date2))) %>% 
  filter(Date2 <= Date1)

#Source: local data frame [5 x 5]
#Groups: Id, QuestionId [5]

#     Id      Date1      Date2 QuestionId AnswerValue
#  <int>     <date>     <date>      <int>       <int>
#1    10 2000-01-14 1999-11-16        274           0
#2    10 2000-01-14 2000-01-14       1339           3
#3    10 2000-01-14 2000-01-03       1461          18
#4    57 2014-02-01 2012-01-15        261           0
#5    57 2014-02-01 2012-11-07        280           0

注意

确保您的日期列设置为 as.Date