问题描述
我对 R 比较陌生,所以我意识到这类问题经常被问到,但我已经阅读了很多堆栈溢出的帖子,但仍然不能完全解决我的数据问题。
我在导入到 R 的两个数据集中有关于 spss 的数据。我的两个数据集都包含一个 id (IDC),我一直用它来合并它们。在合并之前,我需要过滤其中一个数据集以专门选择日期变量的最后一次观察。
我的数据集 d1 具有长格式的纵向度量。每个IDC有多行,代表不同的居住地(邻里)。每行都有自己的“start_date”,这是一个不一定唯一的变量。
它在spss上的样子:
IDC | 邻里 | 开始日期 |
---|---|---|
1 | 22 | 08.07.2001 |
1 | 44 | 04.02.2005 |
1 | 13 | 21.06.2010 |
2 | 44 | 24.12.2014 |
2 | 3 | 06.03.2002 |
3 | 22 | 04.01.2006 |
4 | 13 | 08.07.2001 |
4 | 2 | 15.06.2011 |
在 R 中,开始日期看起来不一样,而是像“13529462400”这样的一个长数字。我不明白这种格式,但我认为它仍然会保留日期顺序...
这是迄今为止我选择最后日期的所有尝试。所有尝试都运行了,没有错误。输出只是没有给我我想要的。在我看来,这些都没有改变 IDC 的重复次数,所以实际上没有一个选择*仅最后一个日期。
##### attempt 1 --- not working
d1$start_date_filt <- d1$start_date
d1[order(d1$IDC,d1$start_date_filt),] # Sort by ID and week
d1[!duplicated(d1$IDC,fromLast=T),] # Keep last observation per ID)
###### attempt 2--- not working
myid.uni <- unique(d1$IDC)
a<-length(myid.uni)
last <- c()
for (i in 1:a) {
temp<-subset(d1,IDC==myid.uni[i])
if (dim(temp)[1] > 1) {
last.temp<-temp[dim(temp)[1],]
}
else {
last.temp<-temp
}
last<-rbind(last,last.temp)
}
last
##### atempt 3 -- doesn't work
do.call("rbind",by(d1,INDICES = d1$IDC,FUN=function(DF)
DF[which.max(DF$start_date),]))
#### attempt 4 -- doesnt work
library(plyr)
ddply(d1,.(IDC),function(X)
X[which.max(X$start_date),])
### merger code -- in case something has to change with that after only the last start_date is selected
merge(d1,d2,IDC)
我的目标数据集 d1 如下所示:
IDC | 邻里 | 开始日期 |
---|---|---|
1 | 13 | 21.06.2010 |
2 | 44 | 24.12.2014 |
3 | 22 | 04.01.2006 |
4 | 2 | 15.06.2011 |
我很感激任何帮助,非常感谢
解决方法
大多数处理这些数据的方法都存在一些问题:因为您的日期是排序不正确的格式的任意字符串,所以在这里工作是偶然的,因为最大的月份也发生在最大年份。
通常最好将该列用作 R 中的 Date
对象,以便更好地进行比较。
dat$start_date <- as.Date(dat$start_date,format = "%d.%m.%Y")
dat
# IDC neighborhood start_date
# 1 1 22 2001-07-08
# 2 1 44 2005-02-04
# 3 1 13 2010-06-21
# 4 2 44 2014-12-24
# 5 2 3 2002-03-06
# 6 3 22 2006-01-04
# 7 4 13 2001-07-08
# 8 4 2 2011-06-15
从这里开始,事情变得更简单了:
基础 R
do.call(rbind,by(dat,dat[,c("IDC"),drop=FALSE],function(z) z[which.max(z$start_date),]))
# IDC neighborhood start_date
# 1 1 13 2010-06-21
# 2 2 44 2014-12-24
# 3 3 22 2006-01-04
# 4 4 2 2011-06-15
dplyr
dat %>%
group_by(IDC) %>%
slice(which.max(start_date)) %>%
ungroup()
# # A tibble: 4 x 3
# IDC neighborhood start_date
# <int> <int> <date>
# 1 1 13 2010-06-21
# 2 2 44 2014-12-24
# 3 3 22 2006-01-04
# 4 4 2 2011-06-15
数据
dat <- structure(list(IDC = c(1L,1L,2L,3L,4L,4L),neighborhood = c(22L,44L,13L,22L,2L),start_date = c("08.07.2001","04.02.2005","21.06.2010","24.12.2014","06.03.2002","04.01.2006","08.07.2001","15.06.2011")),class = "data.frame",row.names = c(NA,-8L))