使用 Data.Table 有条件地选择组内的行答案

【问题标题】：Conditionally Select Rows within a Group with Data.Table使用 Data.Table 有条件地选择组内的行
【发布时间】：2019-04-14 19:18:03
【问题描述】：

我正在寻找使用 data.table 的解决方案 ― 我有一个包含以下列的 data.table：

data <- data.frame(GROUP=c(3,3,4,4,5,6),
                    YEAR=c(1979,1985,1999,2011,2012,1994),
                    NAME=c("S","A","J","L","G","A"))

data <- as.data.table(data)

数据表：

GROUP  YEAR    NAME
3      1979    Smith 
3      1985    Anderson
4      1999    James
4      2011    Liam
5      2012    George
6      1994    Adams

对于每个组，我们要使用以下规则选择一行：

如果年份 > 2000，请选择最小年份大于 2000 的行。
如果没有年份 > 2000，则选择最大年份的行。

期望的输出：

GROUP  YEAR    NAME
3      1985    Anderson
4      2011    Liam
5      2012    George
6      1994    Adams

谢谢！我已经为此苦苦挣扎了一段时间。

【问题讨论】：

标签： r data.table

【解决方案1】：

使用dplyr 包我得到了这样的输出（尽管它可能不是最简单的答案）：

 library(dplyr)
 library(magrittr)

 data <- data.frame(GROUP=c(3,3,4,4,5,6),
                    YEAR=c(1979,1985,1999,2011,2012,1994),
                    NAME=c("S","A","J","L","G","A"))

 data %>%
   subset(YEAR < 2000) %>%
   group_by(GROUP) %>%
   summarise(MAX=max(YEAR)) %>%
   join(data %>%
          subset(YEAR > 2000) %>%
          group_by(GROUP) %>%
          summarise(MIN=min(YEAR)), type="full") %>%
   mutate(YEAR=ifelse(is.na(MIN), MAX, MIN)) %>%
   select(c(GROUP, YEAR)) %>%
   join(data)

结果：

   GROUP YEAR NAME
      3  1985   A
      4  2011   L
      5  2012   G
      6  1994   A

编辑：对不起，我的第一个答案没有考虑最小/最大条件。希望这会有所帮助

【讨论】：

感谢 tidyverse 解决方案！以及格式化指针。

【解决方案2】：

如果您将特殊的.I 行计数器子集化，data.table 应该会简单得多：

library(data.table)
setDT(data)
data[
  data[
        ,
        if(any(YEAR > 2000)) 
           .I[which.min(2000 - YEAR)] else
           .I[which.max(YEAR)],
        by=GROUP
      ]$V1
]
#   GROUP YEAR NAME
#1:     3 1985    A
#2:     4 2011    L
#3:     5 2012    G
#4:     6 1994    A

感谢@r2evans 提供背景信息 -

.I 是一个等价于seq_len(nrow(x)) 的整数向量。
参考： http://rdrr.io/cran/data.table/man/special-symbols.html

所以，我在这里所做的只是为每个by= 级别的每个计算获取整个data 的匹配行索引。然后再次使用这些行索引对data 进行子集化。

【讨论】：

我收到一个错误Error in [.data.frame(data, , if (any(YEAR > 2000)) .I[which.min(2000 - : unused argument (by = GROUP) 它是否完全适合您？
@user10626943 - 帖子标记为 data.table，所以我认为 OP 已经在使用 data.table - 如果没有，您需要先转换。已编辑。
对于后来者，.I 是一个等价于seq_len(nrow(x)) 的整数向量。参考：rdrr.io/cran/data.table/man/special-symbols.html（我必须查一下 :-)

【解决方案3】：

你也可以做几个滚动连接：

res = unique(data[, .(GROUP)])

# get row with YEAR above 2000
res[, w := data[c(.SD, YEAR = 2000), on=.(GROUP, YEAR), roll=-Inf, which=TRUE]]

# if none found, get row with nearest YEAR below   
res[is.na(w), w := data[c(.SD, YEAR = 2000), on=.(GROUP, YEAR), roll=Inf, which=TRUE]]

# subset by row numbers
data[res$w]

   GROUP YEAR NAME
1:     3 1985    A
2:     4 2011    L
3:     5 2012    G
4:     6 1994    A

【讨论】：