R中的data.table按组查找最大值的索引

Question

我有一个如下所示的 data.table 或 data.frame：

Name     Person     Date
A        1          1/1/2004
A        2          1/1/2004
A        2          1/3/2004
A        3          1/1/2004
A        3          1/3/2004
A        3          1/9/2004
B        4          1/7/2004
B        5          1/7/2004
B        5          1/10/2004
B        6          1/7/2004
B        6          1/10/2004
B        6          1/17/2004

在这里，我正在尝试创建一个新的数据表，其中包含日期的“NA”，如果它们不是每个人的最大值。基本上，我试图让数据表看起来像：

    Name     Person     Date
A        1          1/1/2004
A        2          "NA"
A        2          1/3/2004
A        3          "NA"
A        3          "NA"
A        3          1/9/2004
B        4          1/7/2004
B        5          "NA"
B        5          1/10/2004
B        6          "NA"
B        6          "NA"
B        6          1/17/2004

基本上，我想到的算法是按人查看每个分组。如果按人分组只有一个元素，则该值是最大值，因此我们让它留在那里。但是，例如，在按人 2 分组时，最大值是 2004 年 1 月 3 日，所以我们让 2004 年 1 月 1 日为“NA”。

我能想到的唯一方法是按组（Person）找到与最大值对应的数据表的索引，然后创建一个所有NA的新向量，然后用最大值的索引替换价值观。

代码如下：

which.max(data$Date, by=data$Person)

不知何故，这对我不起作用，但无论哪种方式，这段代码看起来都可能很耗时，尤其是当我的数据集是 1 亿行时。大型数据集是否会有快速实现，尤其是在 data.table 包中工作？谢谢！

Answer 1

使用data.table:

#dat <- as.data.table(dat)
#dat$Date <- as.Date(dat$Date,format="%m/%d/%Y")
dat[dat[, Date != max(Date) , by=Person][,V1], Date := NA]
dat

 #   Name Person       Date
 #1:    A      1 2004-01-01
 #2:    A      2       <NA>
 #3:    A      2 2004-01-03
 #4:    A      3       <NA>
 #5:    A      3       <NA>
 #6:    A      3 2004-01-09
 #7:    B      4 2004-01-07
 #8:    B      5       <NA>
 #9:    B      5 2004-01-10
#10:    B      6       <NA>
#11:    B      6       <NA>
#12:    B      6 2004-01-17

Answer 2

这是ave() 的一个很好的用例，它允许您将函数应用于每个人的值。如果这是您的示例数据

dd<-structure(list(Name = structure(c(1L, 1L, 1L, 1L, 1L, 1L, 2L, 
    2L, 2L, 2L, 2L, 2L), .Label = c("A", "B"), class = "factor"), 
    Person = c(1L, 2L, 2L, 3L, 3L, 3L, 4L, 5L, 5L, 6L, 6L, 6L
    ), Date = structure(c(12418, 12418, 12420, 12418, 12420, 
    12426, 12424, 12424, 12427, 12424, 12427, 12434), class = "Date")), 
    .Names = c("Name", "Person", "Date"), 
    row.names = c(NA, -12L), class = "data.frame")

然后使用

with(dd, ave(Date, Person,FUN=function(x) {x[x!=max(x)]<-NA; x}))
#  [1] "2004-01-01" NA           "2004-01-03" NA           NA          
#  [6] "2004-01-09" "2004-01-07" NA           "2004-01-10" NA          
# [11] NA           "2004-01-17"

Answer 3

使用data.table 的另一种方式（假设每个组没有多个最大值）

 dat[dat[, order(Date)!=.N, by=Person]$V1, Date:= NA]
 dat
 #   Name Person       Date
 #1:    A      1 2004-01-01
 #2:    A      2       <NA>
 #3:    A      2 2004-01-03
 #4:    A      3       <NA>
 #5:    A      3       <NA>
 #6:    A      3 2004-01-09
 #7:    B      4 2004-01-07
 #8:    B      5       <NA>
 #9:    B      5 2004-01-10
#10:    B      6       <NA>
#11:    B      6       <NA>
#12:    B      6 2004-01-17

如果您有多个最大值：

dat[dat[, rank(Date,ties.method="max")!=.N, by=Person]$V1, Date:=NA]

格式化date

dat[dat[, order(Date)!=.N, by=Person]$V1, Date:= NA][,Date:=format(Date, "%m/%d/%Y")]