如何在data.table中链式实现group_by、filter、distinct、count操作

你编写的data.table代码不符合基础语法规则：data.table的核心语法结构为DT[i, j, by]，过滤行的条件需要放在第一个参数i的位置，你把过滤非空日期的条件放在i位后错误添加了by=id参数，第一步逻辑就已经出错。后续的keyby=.(date)也没有实现「按id分组后去重日期」的逻辑，最终导致结果不符合预期。

逐步骤对应dplyr逻辑的写法 #

你可以参考下面的代码和注释，和你原有的dplyr逻辑一一对应，方便理解：

test_dt <- as.data.table(test_df) # 推荐用as.data.table，避免修改原数据框
test_dt[!is.na(date), # 对应filter(!is.na(date))过滤非空日期
        .(date = unique(date)), # 对应distinct(date)取分组内唯一日期
        by = id][ # 对应group_by(id)按id分组
          , .(n = .N), # 对应count(id)统计每个id的唯一日期数量
          by = id][
            n > 1 # 对应filter(n>1)筛选符合条件的id
          ]

简洁高效写法 #

你也可以用data.table内置的uniqueN()函数直接实现需求，运行效率更高：

test_dt[!is.na(date), .(n = uniqueN(date)), by = id][n > 1]

uniqueN()可以直接统计分组内唯一值的数量，完全匹配你需要的「统计每个id不同日期数量」的逻辑。

和你原dplyr代码的输出完全一致：

id n
1: 5678 2

内容的提问来源于stack exchange，提问作者ViSa