如何在R的data.table中按自定义优先级去重及统计指定运动客户数？

1. 按自定义优先级去重（保留每个customerID最高优先级记录） #

假设你的data.table对象名为dt，通过定义优先级映射、排序分组的方式保留最高优先级记录：

步骤1：定义优先级映射 #

library(data.table)
# 匹配需求的优先级规则
color_prio <- c(green=3, red=2, blue=1)
sport_prio <- c(soccer=3, basketball=2, tennis=1)

步骤2：分组去重（按color优先，再按sport优先） #

给每行添加优先级数值后，按customerID分组，降序排序后保留每组第一行：

# 新增优先级列（也可直接在排序时调用映射，无需新增列）
dt[, `:=`(color_rank = color_prio[color], sport_rank = sport_prio[sport])]

# 分组筛选最高优先级记录
dt_deduped <- dt[order(-color_rank, -sport_rank), .SD[1], by = customerID]

# 清理临时列（可选操作）
dt_deduped[, c("color_rank", "sport_rank") := NULL]

如果需要给color更高权重的综合优先级，可计算总分数后排序：

dt[, total_rank := color_prio[color] * 10 + sport_prio[sport]] # color权重放大10倍
dt_deduped <- dt[order(-total_rank), .SD[1], by = customerID]
dt_deduped[, total_rank := NULL]

2. 统计同时拥有soccer和basketball记录的客户数 #

通过分组筛选出同时包含两种运动的客户，再统计数量：

方法一：分步筛选 #

# 按客户分组，标记是否拥有目标运动
customer_sports <- dt[, .(
  has_soccer = "soccer" %in% sport,
  has_basketball = "basketball" %in% sport
), by = customerID]

# 统计同时满足的客户数量
target_count <- nrow(customer_sports[has_soccer & has_basketball])

方法二：链式高效操作 #

target_count <- dt[, .(unique_sports = unique(sport)), by = customerID][
  , sum(all(c("soccer", "basketball") %in% unique_sports))
]

内容的提问来源于stack exchange，提问作者JSON7555