如何在R中按分组优先级筛选并保留同日期最高测试得分记录？

我有一个用于测试入学前课程效率的数据集，包含student_id、registration_id、subject、enrollment_date（入学日期）、test_date（测试日期）、test_score_category（测试得分等级）及difference（日期差）字段。需要按以下规则处理数据：

• 分组优先级（1>2>3）：
  1. 组1：入学前30天内（difference ∈ [-30, 0)）
  2. 组2：入学后30天内（difference ∈ [0, 30]）
  3. 组3：入学前45天至入学后35天内（difference ∈ [-45, -30) ∪ (30, 35]）
• 每个registration_id需归到优先级最高的对应组；
• 同一学生同一天有多条测试记录时，保留test_score_category最高的记录；
• 超出入学前45天至入学后30天范围的记录标记为未分类（用NA表示）。

原始数据集 #

data <- data.frame(
      student_id = c("a53e83bzz", "a53e83bzz", "a53e83bzz", "2034cccc", "2034cccc", "2034cccc", "2034cccc", "202353bbbb", "202353bbbb", "1980polkfbb", "1980polkfbb"),
 registration_id = c("a53-ffe9", "a53-ffe9", "a53-ffe9", "203-ffde", "203-ffde", "203-ffde", "203-ffde", "202-ffcc", "202-ffcc", "198-ffb", "198-ffb"),
 subject = c("maths", "maths", "maths", "maths", "maths", "maths", "maths", "english", "english", "english", "english"),
enrollment_date = as.Date(c("2021-02-28", "2021-02-28", "2021-02-28", "2019-03-25", "2019-03-25", "2019-03-25", "2019-03-25", "2021-05-22", "2021-05-22", "2019-07-04", "2019-07-04"), format="%Y-%m-%d"),
test_score_category = c(0, 1, 0, 0, 0, 0, 1, 1, 0, 1, 2),
test_date = as.Date(c("2021-02-27", "2021-02-27", "2022-07-08", "2019-02-18", "2019-03-11", "2020-04-07", "2020-04-07", "2021-06-17", "2021-06-07", "2019-03-14", "2019-03-28"), format="%Y-%m-%d"),
difference = c(-1, -1, 495, -35, -14, 379, 379, 26, 16, -112, -98)
 )

尝试过的无效代码 #

result <- data %>%
group_by(student_id, registration_id) %>%
arrange(student_id, group) %>%  # Prioritize by group (1 > 2 > 3)
slice_max(order_by = test_score_category) %>%  
ungroup()

预期结果 #

df <- data.frame(
  student_id = c("a53e83bzz", "2034cccc", "202353bbbb", "1980polkfbb"),
  registration_id = c("a53-ffe9", "203-ffde", "202-ffcc", "198-ffb"),
  subject = c("maths", "maths", "english", "english"),
  enrollment_date = as.Date(c("2021-02-28", "2019-03-25", "2021-05-22", "2019-07-04"), format="%Y-%m-%d"),
  test_score_category = c(1, 0, 0, NA),  # Use NA for not_classified
  test_date = as.Date(c("2021-02-27", "2019-03-11", "2021-06-07", NA), format="%Y-%m-%d"),  # Use NA for not_classified
  difference = c(-1, -14, 16, NA)  # Use NA for not_classified
  )

步骤说明 #

1. 基于difference字段标记每条数据的分组优先级，超出范围的记录标记为最低优先级（0）；
2. 按registration_id分组，按「优先级降序→测试日期升序→得分降序」的逻辑排序，确保每组第一条是符合要求的记录；
3. 提取每组第一条记录，将未分类记录的指定字段设为NA；
4. 清理临时辅助列，得到最终结果。

完整代码 #

library(dplyr)

result <- data %>%
  # 标记分组优先级：1>2>3，超出范围标记为0（最低优先级）
  mutate(group_priority = case_when(
    between(difference, -30, -1) ~ 1,  # 入学前30天内
    between(difference, 0, 30) ~ 2,     # 入学后30天内
    between(difference, -45, -31) | between(difference, 31, 35) ~ 3,
    TRUE ~ 0  # 超出范围，未分类
  )) %>%
  # 按registration_id分组，按规则排序
  group_by(registration_id) %>%
  arrange(desc(group_priority), test_date, desc(test_score_category), .by_group = TRUE) %>%
  slice(1) %>%  # 取每组第一条符合要求的记录
  ungroup() %>%
  # 将未分类记录的指定字段设为NA
  mutate(
    across(c(test_score_category, test_date, difference), 
           ~ ifelse(group_priority == 0, NA, .x))
  ) %>%
  # 移除临时辅助列
  select(-group_priority)

# 查看结果
print(result)

代码解释 #

• case_when标记优先级：严格匹配分组规则，未分类记录优先级设为0，确保后续排序时被排到最后；
• 多条件排序：同一registration_id下，先保留高优先级组的记录；同组内取最早的测试记录；同一天的记录取得分最高的；
• slice(1)提取目标记录：直接取每组排序后的第一条，即为符合所有规则的记录；
• across批量处理NA：一次性将未分类记录的test_score_category、test_date、difference字段设为NA，简化代码；
• 清理辅助列：移除临时的group_priority列，保证输出结构与预期一致。

内容的提问来源于stack exchange，提问作者Nashe