R语言按ID分组提取最早startDate和最晚endDate的高效实现方法

核心思路是分组后直接聚合计算，仅需一次分组扫描即可完成需求，无需拆分数据集再关联，运行效率远高于原有方案。

方法1：dplyr实现（适配常规数据量） #

library(dplyr)

# 可选步骤：将字符串日期转为标准Date类型，避免非标准格式的字符串排序出错
data <- data %>%
  mutate(
    startDate = as.Date(startDate),
    endDate = as.Date(endDate)
  )

# 分组直接汇总
result <- data %>%
  group_by(ID) %>%
  summarise(
    startDate = min(startDate, na.rm = TRUE),
    endDate = max(endDate, na.rm = TRUE)
  )

参数说明：na.rm = TRUE 用于跳过组内的NA值计算，若不加该参数，组内存在NA时会返回NA结果，适配你示例中的空值场景。

方法2：data.table实现（适配百万级以上大数据量） #

如果你的数据集规模很大，data.table的运行效率会比dplyr高3-10倍：

library(data.table)

# 转换为data.table格式
setDT(data)

# 转标准日期格式+分组汇总一步完成
result <- data[, .(
  startDate = min(as.Date(startDate), na.rm = TRUE),
  endDate = max(as.Date(endDate), na.rm = TRUE)
), by = ID]

两种方法输出的结果和你预期的完全一致。

内容的提问来源于stack exchange，提问作者T K