尝试使用R中的data.table修复重复数据删除问题。
A列是名称列表,其中一些名称会多次出现。 B列是日期列表。我还想复制其他很多列(“日期名称”上发生的事情)。
但是,我只想查看一个新数据表中每个人的最多活动,该数据表的每个名称都有一个与最新日期相对应的条目。
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
答案将仅返回每个名字的第一个(因为这里的行按每个名字的最新日期排序。)但是,如果我设置dt键
setkey(dt,name.last)
以便使用unique()
删除重复项,它将重新排序该表按键顺序排列(名称按字母顺序排列)。然后,使用unique(dt)
返回每个名称的首次出现,不一定是最近的日期。如果我在两列
setkeyv(dt,c(name.last,date))
上都设置了密钥,则由于所有密钥都是唯一的,因此我无法使用unique()
删除重复项。问题类似于这里的一个帖子:Collapsing data frame by selecting one row per group。但是,我不能假定要选择的数据是第一个还是最后一个,除非您可以提出一种在设置密钥后操纵我的数据的方法。
最佳答案
有很多方法可以不对数据表进行排序(尽管优选排序,因为duplicated
效率很高,而且您还避免使用by
-可以做到这一点)。
首先,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)方法与您相似,但是使用的是data.tables
setorder
(对于data.table
版本> = 1.9.4),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
来实现相同的目的(就像您已经做过的那样),并且在from.last = TRUE
中指定duplicated
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(它也应该非常有效)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,但是在某些情况下很有用,当您想返回所有列并且不能使用s duplicated
之类的函数时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