基于分组ID的配对字段筛选：识别版本时间不递增的log_id

我来帮你搞定这个需求！你要找的是那些按log_id分组后，存在高版本对应的日期早于低版本的异常ID，对吧？先说说你之前代码的问题：group_by之后直接用ifelse的写法不符合dplyr的语法逻辑，而且只对比了version=1和其他版本，没覆盖所有版本间的顺序检查，所以没法准确找出所有异常。

正确的解决方案（用dplyr实现） #

首先先确认你的数据集：

x <- data.frame(
  "log_id" = c(16006,16006,16006,25109,25109,25109,25109,20506,20506),
  "status" = c(0,1,1,0,1,1,1,0,1),
  "version" = c(1,2,3,1,2,3,4,1,2),
  "date_time" = c(
    as.Date("2018-10-27"), as.Date("2019-01-06"), as.Date("2019-01-16"),
    as.Date("2018-10-27"), as.Date("2017-01-06"), as.Date("2019-02-17"), as.Date("2018-10-27"),
    as.Date("2019-01-12"), as.Date("2019-02-12")
  )
)

接下来用dplyr的分组+检查逻辑来找出异常ID：

library(dplyr)

# 提取异常log_id到向量
abnormal_log_ids <- x %>%
  group_by(log_id) %>%
  # 每个组内按version从小到大排序
  arrange(version, .by_group = TRUE) %>%
  # 检查是否存在任意一个高版本日期早于前一个版本的情况
  summarise(has_abnormality = any(diff(date_time) < 0)) %>%
  # 筛选出有异常的组
  filter(has_abnormality) %>%
  # 把log_id提取成向量
  pull(log_id)

# 查看结果
abnormal_log_ids

运行这段代码后，你会得到预期的结果：[1] 25109，完全符合你的需求。

代码逻辑解释 #

• arrange(version, .by_group = TRUE)：确保每个log_id组内的数据按version升序排列，这样我们可以依次检查相邻版本的日期顺序。
• diff(date_time)：计算相邻日期的差值，如果差值小于0，说明后一个（更高版本）的日期比前一个早，违反了规则。
• any(diff(date_time) < 0)：只要组内存在任何一次这样的异常，就标记该组为异常。
• pull(log_id)：把筛选后的异常log_id提取成你需要的向量格式。

另一种实现思路 #

如果你想换一种方式检查，也可以通过对比version和date_time的排序顺序是否一致来判断：

abnormal_log_ids <- x %>%
  group_by(log_id) %>%
  summarise(is_abnormal = !all(order(version) == order(date_time))) %>%
  filter(is_abnormal) %>%
  pull(log_id)

这个逻辑是：如果version的排序顺序和date_time的排序顺序不完全一致，说明存在版本高但日期早的异常情况。

内容的提问来源于stack exchange，提问作者Spurryag