使用R data.table的which.max时遇缺失值问题排查

先把你的场景再理一遍哈 #

你手里是个带时间序列的data.table，需求很明确：按组来拿两种情况的时间戳：

• 要是组里有目标事件（事件列标成1），就取第一次发生事件的时间
• 要是组里压根没发生事件（事件列全是NA），就取这个组时间序列的最后一个时间戳

你之前分组调用which.max的时候翻车了，现在已经有解决方案，但就想搞明白当初为啥会失败，对吧？

你踩坑的核心原因：which.max的“隐形坑” #

先给你唠唠which.max的脾气：它本来是返回第一个最大值的位置，但如果输入全是NA，它会返回一个长度为0的空向量integer(0)。

而data.table的分组计算有个要求：每个分组返回的结果长度得一致（要么是1个值，要么和分组里的行数一样）。但空向量长度是0，直接拿来取timestamp的话，要么会得到空的时间对象，要么直接报错，完全不符合你要取最后一个时间戳的需求。

给你整个模拟数据举例子：

library(data.table)
dt <- data.table(
  group = rep(c("A", "B"), each = 3),
  timestamp = as.POSIXct(c("2024-01-01", "2024-01-02", "2024-01-03",
                           "2024-01-01", "2024-01-02", "2024-01-03")),
  event = c(NA, 1, NA, NA, NA, NA)
)

假设你当初写的代码是这样：

dt[, .(target_time = timestamp[which.max(event)]), by = group]

那分组B的event全是NA，which.max(event)返回的就是空向量，取timestamp[integer(0)]得到的是空的时间值，而不是你想要的2024-01-03，这就是问题根源！

不是data.table分组的锅，是which.max的特性 #

别怀疑data.table的分组逻辑哈，它的分组是正常的——问题出在which.max对全NA输入的处理上。它觉得全是NA就没有“最大值”，所以返回空，但这和你想要的“兜底取最后一行”的逻辑不匹配，才导致了不符合预期的结果。

再看你解决方案的合理性 #

你后来的解决方案肯定是给which.max加了兜底逻辑，比如用coalesce或者ifelse结合.N（分组的总行数，也就是最后一行的位置）：
比如这种写法就很靠谱：

dt[, .(target_time = timestamp[coalesce(which.max(event), .N)]), by = group]

这里coalesce会自动判断：如果which.max(event)是空的，就用.N来替代，完美覆盖了两种场景——有事件时取第一个事件的时间，没事件时取最后一个时间戳，刚好命中你的需求。

内容的提问来源于stack exchange，提问作者snooze_bear