如何在R中按条件筛选数据并获取最早可行日期对应值？

原始数据集 #

df <- data.frame(ID = c(1,1,1,1,1,2,2,2,2,3,4),
                 name = c('a','a','a','b','c','a','a','b','b','c','a'),
                 date = c('01/01/2023','01/02/2023', '01/03/2023','01/01/2023','01/03/2023',
                          '01/01/2023', '01/03/2023', '01/03/2023','01/02/2023', '01/03/2023','01/01/2023'),
                 value = c(1:11),
                 days = c(-2, -1, 0, -2, 0, -2, 0, 0,-1, 0, -2))

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

数据集预览：

ID name       date value days
1   1    a 2023-01-01     1   -2
2   1    a 2023-01-02     2   -1
3   1    a 2023-01-03     3    0
4   1    b 2023-01-01     4   -2
5   1    c 2023-01-03     5    0
6   2    a 2023-01-01     6   -2
7   2    a 2023-01-03     7    0
8   2    b 2023-01-03     8    0
9   2    b 2023-01-02     9   -1
10  3    c 2023-01-03    10    0
11  4    a 2023-01-01    11   -2

需求说明 #

• 按ID+name的唯一组合保留一行数据，选取value的优先级规则：
  1. 优先选择该组合下days < 0的记录中日期最早的对应value
  2. 若没有days < 0的记录，则选取days = 0的对应value
• 新增flag列：若该组合无days = 0的记录，标记为"no day 0"，否则标记为NA

解决方案（dplyr实现） #

用dplyr的分组、排序、切片操作可以高效完成需求，无需拆分合并数据集：

# 安装并加载dplyr（若未安装）
# install.packages("dplyr")
library(dplyr)

result <- df %>%
  group_by(ID, name) %>%
  # 标记当前组是否存在days=0的记录
  mutate(has_day0 = any(days == 0)) %>%
  # 排序：先保留days<0的记录（优先级高），同优先级下日期早的在前；再排days=0的记录
  arrange(desc(days < 0), date) %>%
  # 取每组第一条，即符合优先级的记录
  slice_head(n = 1) %>%
  # 生成flag列
  mutate(flag = ifelse(!has_day0, "no day 0", NA)) %>%
  # 移除辅助列
  select(-has_day0) %>%
  ungroup()

print(result)

输出结果 #

# A tibble: 7 × 6
     ID name  date       value  days flag        
  <dbl> <chr> <date>     <int> <dbl> <chr>       
1     1 a     2023-01-01     1    -2 NA          
2     1 b     2023-01-01     4    -2 no day 0    
3     1 c     2023-01-03     5     0 NA          
4     2 a     2023-01-01     6    -2 NA          
5     2 b     2023-01-02     9    -1 NA          
6     3 c     2023-01-03    10     0 NA          
7     4 a     2023-01-01    11    -2 no day 0    

大数据集优化方案（data.table实现） #

如果数据集规模较大，用data.table处理效率更高：

# 安装并加载data.table（若未安装）
# install.packages("data.table")
library(data.table)

setDT(df)
result_dt <- df[, 
                {
                  has_day0 = any(days == 0)
                  # 排序后取第一条记录
                  top_row = .SD[order(-(days < 0), date)][1]
                  # 添加flag列
                  top_row[, flag := ifelse(!has_day0, "no day 0", NA)]
                }, 
                by = .(ID, name)]

print(result_dt)

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