使用dplyr提取tibble数据链中最新更新的行记录

问题背景 #

original_tibble包含3条数据链，演化规则为：

• 链首记录的parentId与id相等，origId为NA并带有value值；
• 每次更新value时，新增行的parentId为链内最新记录的id，origId为链首的id，id为唯一标识，value为新值。

数据链行序不固定，无法依赖排序。需要保留每条数据链的最新行并移除历史条目，最终得到final_tibble的结果，优先使用dplyr实现。

原始数据代码 #

library(dplyr)

my_tibble <- tibble(
  parentId = character(),
  origId = character(),
  id = character(),
  value = double()
)

original_tibble <- my_tibble %>%
  add_row(parentId = "2024Z123", origId = NA, id = "2024Z123", value = 2) %>%
  add_row(parentId = "2024Z123", origId = "2024Z123", id = "2024A652", value = 6) %>%
  add_row(parentId = "2024A652", origId = "2024Z123", id = "2024X156", value = 5) %>%
  add_row(parentId = "2020G001", origId = NA, id = "2020G001", value = 1) %>%
  add_row(parentId = "2020G001", origId = "2020G001", id = "2024Z156", value = 2) %>%
  add_row(parentId = "2021B456", origId = NA, id = "2021B456", value = 3)

final_tibble <- my_tibble %>%
  add_row(parentId = "2024A652", origId = "2024Z123", id = "2024X156", value = 5) %>%
  add_row(parentId = "2020G001", origId = "2020G001", id = "2024Z156", value = 2) %>%
  add_row(parentId = "2021B456", origId = NA, id = "2021B456", value = 3)

解决方案 #

实现思路 #

每条数据链的核心标识是链首的id（链首记录的origId为NA，后续记录的origId均等于该链首id）。要找到最新记录，只需判断：这条记录的id没有被其他记录作为parentId使用——因为最新记录不会成为任何后续更新的父节点。

dplyr代码实现 #

library(dplyr)

# 处理逻辑
result_tibble <- original_tibble %>%
  # 标记每条记录所属的链首id
  mutate(chain_root = coalesce(origId, id)) %>%
  # 筛选出id未被作为其他记录parentId的行（即最新记录）
  filter(!id %in% original_tibble$parentId) %>%
  # 移除临时辅助列
  select(-chain_root)

# 验证结果是否与final_tibble一致
all.equal(result_tibble, final_tibble)
#> [1] TRUE

代码说明 #

• coalesce(origId, id)：自动取origId的值（非NA时），否则用自身id，确保同链记录拥有统一的链首标识。
• !id %in% original_tibble$parentId：筛选出从未被作为父节点的记录，这些就是每条链的最后（最新）条目。

内容的提问来源于stack exchange，提问作者AColoredReptile