根据R中的B列使用data.table有条件删除与A列匹配的行

Question

试图在R中使用data.table解决一个去复制问题。

列A是一个名称列表，其中一些名称多次出现。B栏是日期列表。还有一堆其他的专栏，我也想复制(那些碰巧在日期上被命名的东西)。

但是，我只想查看新datatable中每个人的最多活动，该数据表中的每个名称都有一个条目，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称的第一个(因为在这里，行是按照每个首名的最近日期排序的)。但是，如果我设置dt键setkey(dt,name.last)以使用unique()删除重复项，它将按键顺序(按名称的字母顺序)重新排序表。然后，使用unique(dt)返回每个名称的第一个外观，这不一定是最近的日期。

如果在两个列setkeyv(dt,c(name.last,date))上设置键，则无法使用unique()删除重复项，因为所有键都是唯一的。

这个问题类似于这里的一个帖子：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次或最后一次，除非您可以在设置键后建议一种操作我的数据的方法。

Answer 1

在不对数据表进行排序的情况下，有很多方法可以做到这一点(尽管排序是首选的，因为duplicated非常高效，而且您也避免使用by --会达到这个目的)。

首先，您必须确保date属于Date类，这样才能使事情变得更简单。

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(提供)方法与您的类似，但使用data.tables setorder (用于data.table版本>= 1.9.4)，应该是最有效的方法

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 (正如您已经做过的) ans在duplicated中指定from.last = TRUE和删除!来实现相同的目标。

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(这也应该非常有效)。

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。这是效率最低的，但在某些情况下是有用的，因为您希望得到所有的列，并且不能使用这样的函数(如sduplicated )

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

如果我理解您的问题，我认为您可以更清楚地使用sqldf包，但缺点是您必须了解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")

希望这能帮上忙。

Answer 3

在写这篇文章的时候，我想出了办法。为了子孙后代..。

按名称和日期对表进行排序，以便您可以依赖于您希望成为组中的第一个或最后一个的日期。例如：dt[order(names,-date)]。

然后，与其设置一个键并使用unique()，不如简单地：

dt[!duplicated(names)]

其中names是复制的列。

应该输出所需的表。如果有更优雅/可靠的方法来做这件事，我会有兴趣听到他们。