在R中按组和条件求列的最大值（基于data.table）

嗨，这个需求刚好是data.table擅长处理的非等值连接场景，我给你两种实用的解决思路，附带示例代码和解释：

先构造示例数据 #

首先我们先创建模拟的表A和表B，方便你测试代码：

library(data.table)

# 示例表A
A <- data.table(
  ID_A = c("A1", "A2", "A3"),
  days = c(5, 3, 7),
  group = c("X", "Y", "X")
)

# 示例表B
B <- data.table(
  ID_B = c("B1", "B2", "B3", "B4", "B5"),
  days = c(3, 6, 8, 2, 9),
  group = c("X", "X", "X", "Y", "Y"),
  value_of_interest = c(10, 20, 15, 5, 25)
)

方法1：直接使用非等值连接（直观易懂） #

这种方法用data.table的非等值连接语法，直接为表A的每一行匹配表B中符合条件的行，并计算最大值：

# 给表A添加max_value_of_interest列
A[, max_value_of_interest := 
    B[A, on = .(group, days > days), 
      max(value_of_interest), 
      by = .EACHI]$V1]

代码解释 #

• B[A, ...]：以表A为查询表，在表B中查找匹配行
• on = .(group, days > days)：匹配条件是两组group相等，且表B的days大于表A当前行的days（第一个days是表B的列，第二个是表A的列）
• by = .EACHI：表示对表A的每一行（每个匹配组）单独计算最大值
• 最后提取计算出的最大值$V1，赋值给表A的新列

运行后表A的结果：

ID_A days group max_value_of_interest
1:   A1    5     X                    20
2:   A2    3     Y                    25
3:   A3    7     X                    15

方法2：预计算累积最大值（大数据量更高效） #

如果你的数据量很大，重复计算最大值会影响效率，这时候可以先对表B做预处理，计算每个分组内的反向累积最大值，再做匹配：

# 步骤1：对表B按group和days升序排序，计算反向累积最大值
B_sorted <- B[order(group, days), 
              # reverse_cum_max表示当前行及之后所有行的value_of_interest最大值（即days>=当前days的最大值）
              reverse_cum_max := rev(cummax(rev(value_of_interest))), 
              by = group]

# 步骤2：匹配表A，取第一个days>A.days的行的reverse_cum_max
A[, max_value_of_interest := 
    B_sorted[A, on = .(group, days > days), 
             x.reverse_cum_max, 
             mult = "first"]]

代码解释 #

• 预计算reverse_cum_max：通过rev(cummax(rev(...)))实现从后往前的累积最大值，这样每个位置的值就是该分组中所有days>=当前days的value_of_interest的最大值
• mult = "first"：因为表B已经按days升序排序，第一个满足days>A.days的行的reverse_cum_max，就是所有days>A.days的行的最大值，直接取这个值即可

这种方法避免了对表A的每一行都重新计算最大值，数据量越大，效率提升越明显。

内容的提问来源于stack exchange，提问作者Sarah