R语言dplyr如何无需虚拟ID筛选ID-Date组合的新增记录

需要从new_df中筛选出ID和Date组合未在my_df中出现过的新增记录，不希望通过拼接字段生成虚拟ID的方式实现。

示例原始数据如下：

• 已有数据框my_df存储ID/Date对应的Value值：

set.seed(42)
library(lubridate)
library(dplyr)
my_df <- data.frame(ID = c('A', 'B', 'C', 'A', 'B'),
                    Date = seq(date('2022-01-01'), date('2022-01-05'), by = 1),
                    Value = rnorm(5))

> my_df
  ID       Date      Value
1  A 2022-01-01  1.3709584
2  B 2022-01-02 -0.5646982
3  C 2022-01-03  0.3631284
4  A 2022-01-04  0.6328626
5  B 2022-01-05  0.4042683

• 待过滤数据框new_df同时包含已存在和新增的ID/Date组合：

new_df <- data.frame(ID = c('A', 'B', 'C', 'A', 'B'),
                     Date = seq(date('2022-01-01'), date('2022-01-05'), by = 1)) |>
  bind_rows(data.frame(ID = c('A', 'B', 'D', 'D'),
                       Date = c(date('2022-01-02'),
                                date('2022-01-01'),
                                date('2022-01-01'),
                                date('2022-01-07'))))

> new_df
  ID       Date
1  A 2022-01-01
2  B 2022-01-02
3  C 2022-01-03
4  A 2022-01-04
5  B 2022-01-05
6  A 2022-01-02
7  B 2022-01-01
8  D 2022-01-01
9  D 2022-01-07

直接使用dplyr内置的anti_join()即可，这是专门为「保留左表中无法在右表匹配到的行」场景设计的函数，只需要在by参数中指定用来匹配的字段，不需要生成任何中间列，语义清晰可读性强：

result <- new_df |>
  anti_join(my_df, by = c("ID", "Date"))

运行结果和虚拟ID方案完全一致，无多余字段：

> result
  ID       Date
1  A 2022-01-02
2  B 2022-01-01
3  D 2022-01-01
4  D 2022-01-07

其他可选方案 #

• 如果不想使用join类函数，可以直接在filter中临时做匹配，不需要把虚拟ID存为列：

new_df |>
  filter(!paste(ID, Date) %in% paste(my_df$ID, my_df$Date))

注意：这种写法存在极端场景下字符串拼接碰撞的风险（比如不同ID、Date值拼接后得到相同字符串），稳定性不如anti_join。

• 如果要使用base R实现，可以用interaction()生成多列组合的唯一标识，避免拼接碰撞问题：

new_df[!interaction(new_df[c("ID", "Date")]) %in% interaction(my_df[c("ID", "Date")]), ]

内容的提问来源于stack exchange，提问作者KidLu