按组选择具有最近日期的行答案

【问题标题】：Select row with most recent date by group按组选择具有最近日期的行
【发布时间】：2015-05-05 16:42:26
【问题描述】：

我在 R 中有一个数据框，其中行代表事件，一列是事件的日期。事件发生的事情由 ID 列描述。所以每个 ID 都有多个条目。

如何过滤数据框以便只保留每个 ID 的最新事件？ ID 是整数，日期格式为mm/dd/yyyy。

【问题讨论】：

标签： r

【解决方案1】：

你可以试试

library(dplyr)
df %>% 
  group_by(ID) %>%
  slice(which.max(as.Date(date, '%m/%d/%Y')))

数据

df <- data.frame(ID= rep(1:3, each=3), date=c('02/20/1989',
'03/14/2001', '02/25/1990',  '04/20/2002', '02/04/2005', '02/01/2008',
'08/22/2011','08/20/2009', '08/25/2010' ), stringsAsFactors=FALSE)

【讨论】：

如何做到这一点，还要考虑小时、分钟和秒？我有一些寄存器具有相同的月、日、年、小时和分钟，但秒数不同，我无法获得最新的。提前致谢。
@kikusanchez 您可能需要使用as.POSIXct 转换为 POSIXct 并按顺序指定格式
应该注意的是，因为which.max 返回它在一个组中遇到的 first 最大值，如果你有重复的日期，你可能会遇到问题。如果您想保留重复的日期，请查看dplyr::slice_max(date, with_ties=TRUE)。
@nstjhp 是的，但是对于slice_max，还有另一个问题。假设如果你只有一个值并且行数是 10000，with_ties 将打印所有这 10000 行
@akrun 非常好，只是想提出这个问题，以防它对任何人有所帮助。

【解决方案2】：

对于任何解决方案，您不妨先更正您的日期变量，如@akrun 所示：

df$date <- as.Date(df$date, '%m/%d/%Y')

基础 R

df[
  tapply(1:nrow(df),df$ID,function(ii) ii[which.max(df$date[ii])])
,]

这使用选择的行号来对数据进行子集化。您可以通过自行运行中间线（[]s 之间）来查看选择。

数据表

类似于@rawr 的：

require(data.table)
DT <- data.table(df)

unique(DT[order(date)], by="ID", fromLast=TRUE)
# or
unique(DT[order(-date)], by="ID")

【讨论】：

这是一个非常有趣的基础 R tapply 解决方案。我不确定我以前是否认识它。

【解决方案3】：

或者你可以订购日期和

df <- data.frame(ID= rep(1:3, each=3), date=c('02/20/1989',
                                              '03/14/2001', '02/25/1990',  '04/20/2002', '02/04/2005', '02/01/2008',
                                              '08/22/2011','08/20/2009', '08/25/2010' ), stringsAsFactors=FALSE)

df$date <- as.Date(df$date, '%m/%d/%Y')

## make sure to order by both `ID` and `date` as Frank mentions in comments
## since the dates may be overlapping among IDs

df <- df[with(df, order(ID, date)), ]

1) 选择最后一个

df[cumsum(table(df$ID)), ]

#   ID       date
# 2  1 2001-03-14
# 6  2 2008-02-01
# 7  3 2011-08-22

2) 或删除重复项

df[!duplicated(df$ID, fromLast = TRUE), ]

#   ID       date
# 2  1 2001-03-14
# 6  2 2008-02-01
# 7  3 2011-08-22

@akrun 为您带来的这些数据

【讨论】：

对order(df$ID,df$date) 更安全，因为IDs 可能不会将日期划分为不重叠的间隔。
@Frank werd。我以为我做到了，很好。很遗憾它没有这样做，否则我不会抓住它

【解决方案4】：

这可能是性格缺陷，但我有时会拒绝购买新包裹。 “base R”函数通常可以完成这项工作。在这种情况下，我认为 dplyr 包的价值已经显现出来，因为我偶然发现了一个好的解决方案，因为 ave 函数返回了一个逻辑测试的字符值，我仍然不明白。所以我认为 dplyr 是一个真正的宝石。如果可以的话，我想坚持在任何赞成票之前都对 akrun 的回答表示赞成票。（很难相信这个问题还没有在 SO 上被询问和回答。）

无论如何：

> df[ as.logical(
        ave(df$date, df$ID, FUN=function(d) as.Date(d , '%m/%d/%Y') == 
                                             max(as.Date(d, '%m/%d/%Y'))))
      , ]
  ID       date
2  1 03/14/2001
6  2 02/01/2008
7  3 08/22/2011

我认为这应该可行（失败）：

> df[ ave(df$date, df$ID, FUN=function(d) as.Date(d , '%m/%d/%Y') ==max(as.Date(d, '%m/%d/%Y'))) , ]
     ID date
NA   NA <NA>
NA.1 NA <NA>
NA.2 NA <NA>
NA.3 NA <NA>
NA.4 NA <NA>
NA.5 NA <NA>
NA.6 NA <NA>
NA.7 NA <NA>
NA.8 NA <NA>

这是另一个基本的 R 解决方案，第一次运行没有任何意外：

> do.call( rbind, by(df, df$ID, function(d) d[ which.max(as.Date(d$date, '%m/%d/%Y')), ] ) )
  ID       date
1  1 03/14/2001
2  2 02/01/2008
3  3 08/22/2011

这是受@rawr 从有序子集中获取最后一个概念的启发：

> do.call( rbind, by(df, df$ID, function(d) tail( d[ order(as.Date(d$date, '%m/%d/%Y')), ] ,1)) )
  ID       date
1  1 03/14/2001
2  2 02/01/2008
3  3 08/22/2011

【讨论】：

很奇怪。 ave 不喜欢以正确的模式报告结果。这些都不符合逻辑：ave(c("a","b"),1,FUN=function(x)x==x[1]) 或 ave(c(1,2),1,FUN=function(x)x==x[1])

【解决方案5】：

没有plyr，我从来没有在R中处理过任何数据！

library(plyr)
ddply(df, .(ID), summarize, most_recent = max(as.Date(date, '%m/%d/%Y')))

   ID most_recent
1  1  2001-03-14
2  2  2008-02-01
3  3  2011-08-22

【讨论】：

这将返回两列：“ID”和“最近的”。我怎样才能保留其余的列？