如何用R的lubridate包从大数据集单列提取起止日期？

嘿，我明白你要做什么了——针对每个唯一ID提取对应的起始和结束日期，还要两种输出格式对吧？用data.table来处理这个简直是拿手好戏，毕竟它处理分组操作效率超高，尤其适合你这种几万行的大数据集。咱们一步步来：

第一步：先处理日期格式 #

首先得把你的BST列从字符型转换成日期时间（或日期）类型，这样才能正确计算最小/最大值：

library(data.table)

# 你的示例数据
myID <- c(1,1,1,1,1,1,2,2,2,2,2,2)
BST <- c("2017-06-01 00:00:01", "2017-06-01 00:00:02", "2017-06-02 00:00:01", "2017-06-02 00:00:02", "2017-06-03 00:00:01", "2017-06-03 00:00:02", "2017-06-01 00:00:01", "2017-06-01 00:00:02", "2017-06-03 00:00:01", "2017-06-03 00:00:02", "2017-06-05 00:00:01", "2017-06-05 00:00:02")
V3 <- c("a", "a", "a", "a", "a", "a", "b", "b", "b","b", "b", "b")
dt1 <- data.table(myID, BST, V3)

# 转换BST为日期时间类型（如果只需要日期部分，也可以用as.Date）
dt1[, BST := as.POSIXct(BST)]

结果1：每个ID一行的汇总表 #

用data.table的分组操作，按myID分组后，提取每组的最小（起始）和最大（结束）日期，同时保留V3的唯一值（假设每个ID的V3是一致的）：

summary_dt <- dt1[, .(
  StartDate = min(BST),
  EndDate = max(BST),
  V3 = first(V3)  # 取每组第一个V3值，因为每个ID的V3相同
), by = myID]

# 如果需要只保留日期部分（去掉时间），可以转成Date类型
summary_dt[, c("StartDate", "EndDate") := .(as.Date(StartDate), as.Date(EndDate))]

执行后你会得到每个ID一行的汇总，和你期望的第一种结果完全匹配。

结果2：保留所有原行并添加起止日期列 #

用data.table的:=操作符原地添加新列，按myID分组后，给每一行分配该组的起始和结束日期：

dt1[, `:=`(
  StartDate = min(BST),
  EndDate = max(BST)
), by = myID]

# 同样如果需要只保留日期部分：
dt1[, c("StartDate", "EndDate") := .(as.Date(StartDate), as.Date(EndDate))]

这样处理后，原表的每一行都会带上对应ID的起止日期，和你想要的第二种结果一致，而且:=是原地修改，效率极高，适合处理大型数据集。

补充说明 #

• 如果你用的是data.frame而不是data.table，其实逻辑类似，用dplyr的话就是group_by(myID) %>% summarise()（对应结果1）和group_by(myID) %>% mutate()（对应结果2），但data.table在处理超大数据时速度会更快。
• 确保你的日期格式正确，如果as.POSIXct转换失败，可以指定format参数，比如as.POSIXct(BST, format = "%Y-%m-%d %H:%M:%S")。

内容的提问来源于stack exchange，提问作者mikeLdub