在R中过滤分钟级DataFrame中步数总和为0的日期

直接在原数据上通过分组筛选即可高效完成，无需手动处理ID-日期组合，下面提供两种适合百万行数据的实现方式：

方法一：用dplyr（语法更直观） #

假设你的数据框名为step_data，包含列：user_id（用户ID）、datetime（ymd_hms格式的分钟时间）、steps（每分钟步数），代码如下：

library(dplyr)
library(lubridate)

cleaned_data <- step_data %>%
  # 从时间列提取日期，用于按天分组
  mutate(date = date(datetime)) %>%
  # 按用户ID+日期分组
  group_by(user_id, date) %>%
  # 只保留当日总步数大于0的组的所有分钟行
  filter(sum(steps) > 0) %>%
  # 取消分组状态
  ungroup() %>%
  # 可选：删除临时新增的date列
  select(-date)

方法二：用data.table（处理超大数据更快） #

如果数据量极大，data.table的运算速度会更有优势：

library(data.table)
library(lubridate)

# 转换为data.table格式
setDT(step_data)
# 提取日期列
step_data[, date := date(datetime)]
# 按ID+日期分组，筛选出总步数>0的组的所有行
cleaned_data <- step_data[, if(sum(steps) > 0) .SD, by = .(user_id, date)]
# 可选：删除临时date列
cleaned_data[, date := NULL]

原理说明 #

两种方法都是先按用户ID+日期分组，计算每组（即单个用户某一天）的总步数，直接过滤掉总步数为0的分组，保留下来的就是所有当日有步数记录的分钟行，全程自动处理那170组无效数据，完全不需要手动操作。

内容的提问来源于stack exchange，提问作者Dean