R语言按treatment筛选最接近目标stage值的唯一观测值问题

原始数据集 #

data_a <- read.csv(text = "
date,treatment,stage
1,a,1
2,a,10
3,a,20
4,a,30
5,a,60
6,a,70
7,a,89
8,a,91
9,a,92
1,b,1
2,b,10
3,b,20
4,b,30
5,b,59.8
6,b,60.2
7,b,88.8
8,b,90.2
9,b,92
1,c,1
2,c,10
3,c,20
4,c,60
5,c,66
6,c,70
7,c,80
8,c,85
9,c,85")

需求说明 #

在每个treatment分组内，为目标值10、60、89分别筛选出stage值最接近的唯一观测：

• 若存在精确匹配的stage值，直接选取该观测
• 若有多个观测与目标值的差值相同，仅保留其中一个（参考期望输出，选取date较小的观测）

现有代码问题 #

原代码使用多条件筛选，当多个观测与目标值的绝对差值相等时，会将所有符合条件的观测都保留，不符合“唯一观测”的要求：

filtered_data <- data_a %>%
  group_by(treatment) %>%
  filter(abs(stage - 10) == min(abs(stage - 10)) |
         abs(stage - 60) == min(abs(stage - 60)) |
         abs(stage - 89) == min(abs(stage - 89)))

解决方案 #

通过对每个分组和每个目标值单独处理，找到最接近的观测后合并结果。使用purrr::map_dfr遍历目标值，结合slice_min在差值最小时选取date最小的观测：

library(dplyr)
library(purrr)

targets <- c(10, 60, 89)

filtered_data <- map_dfr(targets, function(target) {
  data_a %>%
    group_by(treatment) %>%
    mutate(diff = abs(stage - target)) %>%
    slice_min(order_by = diff, n = 1, with_ties = FALSE) %>%
    select(-diff)
}) %>%
  arrange(treatment, date)

验证输出结果与期望一致：

print(filtered_data)
#   date treatment stage
# 1    2         a 10.0
# 2    5         a 60.0
# 3    7         a 89.0
# 4    2         b 10.0
# 5    5         b 59.8
# 6    7         b 88.8
# 7    2         c 10.0
# 8    4         c 60.0
# 9    8         c 85.0

代码说明 #

• map_dfr：遍历每个目标值，处理后按行合并结果
• mutate(diff = abs(stage - target))：计算每个观测与当前目标值的绝对差值
• slice_min(order_by = diff, n = 1, with_ties = FALSE)：在每个分组内选取差值最小的1个观测，with_ties = FALSE确保即使有多个相同差值的观测，也只保留原数据中靠前的（即date较小的）
• arrange(treatment, date)：最后按分组和日期排序，与期望输出格式一致

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