如何按年份条件筛选data.table？缺失时取每组最近年份数据

需要按Year筛选data.table，逻辑是：

• 每组优先获取匹配指定年份的数据
• 若该组无指定年份的记录，取距离指定年份最近的记录
• 最终要确保所有组都有对应结果，不会出现缺失组的情况

示例数据 #

library(data.table)

# 生成示例数据
dt <- data.table(Group = c(rep("A", 5),rep("B", 3),rep("C", 5),rep("D", 2)), 
                 x = sample(1:10,15, rep=T), 
                 Year = c(2011:2015, 2013:2015, 2011:2015, 2014:2015))

问题重现 #

指定年份y=2012时，尝试以下代码：

y <- 2012
dt[Year == which.min(abs(Year - y)), .SD, by = Group]

运行后得到空表：Empty data.table (0 rows and 3 cols): Group,x,Year

期望结果：

Group x Year
1:     A 4 2012
2:     B 7 2013
3:     C 2 2012
4:     D 3 2014

正确解法 #

之前的代码错误在于which.min(abs(Year - y))是对整个数据集计算位置，而非分组内计算。需要在每个分组内单独筛选最近年份的记录。

方法1：分组内直接筛选最近记录 #

这是最简洁的写法，在每个Group内找到与目标年份距离最小的记录：

y <- 2012
dt[, .SD[which.min(abs(Year - y))], by = Group]

也可以通过排序后取首行实现：

y <- 2012
dt[, .SD[order(abs(Year - y))[1]], by = Group]

方法2：新增距离列后筛选 #

如果需要查看每个记录与目标年份的距离，可以先新增列再筛选：

y <- 2012
dt[, dist := abs(Year - y)][, .SD[dist == min(dist)], by = Group][, dist := NULL]

内容的提问来源于stack exchange，提问作者Sam