如何在data.table中筛选拥有两个年份数据的国家观测值

嘿，我来帮你搞定这个筛选问题～你想要保留那些有至少两个不同年份数据的国家，剔除像BEL这种只有单一年份的观测，之前的代码出错是因为逻辑判断和语法位置的问题，我给你拆解下：

先说说你之前代码的问题 #

• 第一个代码DT[,if(unique(year)>1) .SD, by=country]：这里的unique(year)返回的是该国家的所有年份向量（比如BEL是c(2002)，NLD是c(2002,2006)），你用>1是在和数值1比较年份大小，而不是判断年份的数量是否大于1，逻辑完全错啦。
• 第二个代码DT[unique(year)>1, .SD, by=country]：data.table的i位置是按行的逻辑筛选，而unique(year)是每个组的唯一年份集合，长度和组内行数不匹配，所以才会报长度不匹配的错误，这是data.table为了避免bug禁止循环回收逻辑向量导致的。

正确的解决方案 #

这里有两种高效的方法，都能得到你想要的结果：

方法1：分组后直接筛选（简洁直观）

用data.table的uniqueN()函数（专门计算唯一值数量，比length(unique())更快），分组后判断每个国家的唯一年份数是否大于1，是的话保留该组所有行：

DT[, if (uniqueN(year) > 1) .SD, by = country]

方法2：先获取有效国家再筛选（大数据集更高效）

先提取所有符合条件的国家列表，再用这个列表去原数据筛选，这种方法在数据量大的时候性能更好：

# 第一步：计算每个国家的唯一年份数，筛选出年份数>1的国家
valid_countries <- DT[, .(n_years = uniqueN(year)), by = country][n_years > 1, country]
# 第二步：保留这些国家的所有观测
DT[country %in% valid_countries]

验证结果 #

运行上面任意一段代码，都会得到你期望的输出：

ID country year Event_A Event_B
1:  6    NLD 2002       1       1
2:  7    NLD 2006       1       0
3:  8    NLD 2006       1       1
4:  9    GBR 2001       0       1
5: 10    GBR 2001       0       0
6: 11    GBR 2001       0       1
7: 12    GBR 2007       1       1
8: 13    GBR 2007       1       1

内容的提问来源于stack exchange，提问作者Tom