跨分组去除重复数据：基于Name、ID与Code1的数据集清洗需求

现有包含Name、ID、Start、Code1、City、Real.Start列的数据集，需针对每个重复出现的Code1，仅保留其对应Start日期最晚的行，最终得到指定输出。以Jack的数据为例：

• Code1为abc的行共3条，保留Start为31/3/2022（ID=333）的行
• Code1为hij的行共2条，保留Start为28/3/2022（ID=222）的行
• Code1为def、efg的行仅各1条，直接保留

原始数据集代码：

data = tibble::tribble(
   ~Name,  ~ID,      ~Start, ~Code1,   ~City, ~Real.Start,
  "Jack", 111L, "24/3/2022",  "abc", "City1",  "8/4/2022",
  "Jack", 111L, "24/3/2022",  "def", "City2", "25/3/2022",
  "Jack", 111L, "24/3/2022",  "efg", "City3", "26/3/2022",
  "Jack", 111L, "24/3/2022",  "hij", "City4", "28/3/2022",
  "Jack", 222L, "28/3/2022",  "abc", "City1",  "8/4/2022",
  "Jack", 222L, "28/3/2022",  "hij", "City4", "28/3/2022",
  "Jack", 333L, "31/3/2022",  "abc", "City1",  "8/4/2022"
  )

使用dplyr包处理，核心逻辑是按Code1分组后保留每组内日期最晚的行，步骤如下：

1. 将Start列转换为日期格式，确保能正确比较早晚
2. 按Code1分组，筛选出每组中Start最晚的行
3. 转换回原始日期字符串格式并按ID排序，匹配期望输出的顺序

代码实现：

library(dplyr)

output <- data %>%
  # 转换为日期格式（适配日/月/年的输入格式）
  mutate(Start = as.Date(Start, format = "%d/%m/%Y")) %>%
  # 按Code1分组，保留每组日期最晚的行
  group_by(Code1) %>%
  filter(Start == max(Start)) %>%
  ungroup() %>%
  # 按ID排序，对齐期望输出顺序
  arrange(ID) %>%
  # 转换回原始字符串格式的日期
  mutate(Start = format(Start, "%d/%m/%Y"))

运行上述代码后，输出与期望完全一致：

# A tibble: 4 × 6
  Name     ID Start      Code1 City  Real.Start
  <chr> <int> <chr>      <chr> <chr> <chr>     
1 Jack    111 24/3/2022  def   City2 25/3/2022 
2 Jack    111 24/3/2022  efg   City3 26/3/2022 
3 Jack    222 28/3/2022  hij   City4 28/3/2022 
4 Jack    333 31/3/2022  abc   City1 8/4/2022  

内容的提问来源于stack exchange，提问作者cdcarrion