dplyr::group_by保留变量未分组

Question

我有一个数据库(user_reg)，其中包含客户信息(customer_id)、他们的注册日期(reg_date2)和他们的订单日期(order_date2；每个客户通常大于1)。

我想知道1)第一个订单是什么时候发生的，然后2)最终得到一个具有唯一user_id、reg_date2和first_order的tbl。

在执行下面的代码之后

  user_reg %>% select(user_id, reg_date2, order_date2) %>% 
  group_by(user_id) %>% 
  mutate(first_order=min(order_date2)) %>%
  select(user_id, reg_date2, first_order) %>%
  arrange(user_id) %>%
  group_by(user_id)

我仍然会在每个user_id中得到多行。

user_id  reg_date2 first_order
     <int>     <date>      <date>
1       -1 2015-11-03  2015-11-25
2        1 2013-10-24  2014-10-11
3        1 2013-10-24  2014-10-11
4        1 2013-10-24  2014-10-11
5        1 2013-10-24  2014-10-11
6        1 2013-10-24  2014-10-11

有什么办法解决这个问题吗？

Answer 1

mutate函数将变量添加到现有的dataset中，因此最终的行数始终与开始时相同。

您可以添加distinct函数，使每个id只保留一个唯一行。要保留所有其他变量，您需要.keep_all参数。

... %>%
    group_by(user_id) %>% 
    mutate(first_order = min(order_date2)) %>%
    distinct(first_order, .keep_all = TRUE) 

对于每个id，从多行到单行通常是一种summarise，尽管这会删除其他变量。如果实际用例如此简单，则可以将额外的变量作为分组变量包括在内，因为每个user_id的reg_date2似乎都是唯一的。

... %>%
    group_by(user_id, reg_date2) %>% 
    summarise(first_order = min(order_date2))

或者(但需要更多的输入)，可以通过在summarise中包含reg_date2来保存它

... %>%
group_by(user_id) %>% 
    summarise(reg_date2 = unique(reg_date2), 
              first_order = min(order_date2))