根据R中使用data.table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来修复重复数据删除问题

列A是名称列表，其中一些出现多次。 B列是日期列表。 我还想复制其他一些列（发生在Name on Date上的事情。）

但是，我只想查看新数据表中每个人的最多活动，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

答案只返回每个名字的第一个（因为这里的行按每个第一个的最新日期排序。）但是如果我设置dt键setkey(dt,name.last)以便使用unique()来删除重复项，它按键顺序重新排序表（按名称字母顺序）。 然后使用unique(dt)返回每个名称的第一个外观，这不一定是最近的日期。

如果我在两个列setkeyv(dt,c(name.last,date))设置密钥，那么我不能使用unique()删除重复项，因为所有键都是唯一的。

问题类似于此处的一篇文章： 通过为每个组选择一行来折叠数据框 。 但是我不能假设要选择的数据是第一个还是最后一个，除非你可以建议一种操作我的数据的方法来设置密钥。

Answer 1

有许多这样做的方法没有订购数据表（虽然是首选排序，因为duplicated是非常有效的，你也避免使用by -将获得这一点）。

首先，您必须确保date是Date类，以便更轻松

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

第二个（提供的）方法与您的类似，但是使用data.tables setorder （对于data.table版本> = 1.9.4）并且应该是最有效的

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）实现相同的setkey ，并在duplicated和删除中指定from.last = TRUE !

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功能（也应该非常有效）

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 。 它效率最低，但在某些情况下，当您想要获取所有列并且不能使用duplicated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，我认为你可以用sqldf包更干净地做到这一点，但缺点是你必须知道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")

希望这很有帮助。

Answer 3

在写这篇文章时我发现了它。 后人......

按名称和日期对表格进行排序，以便您可以依赖于您希望在组中的第一个或最后一个日期。 例如： dt[order(names,-date)] 。

然后，而不是设置一个键并使用unique() ，只需一个简单的：

dt[!duplicated(names)]

names是重复列。

应输出所需的表格。 如果有更优雅/可靠的方法来做到这一点，我会有兴趣听到它们。