尝试使用R中的data.table修复重复数据删除问题。
列A是名称列表，其中一些名称多次出现。 B列是日期列表。我还想复制其他一些列（日期名称发生的事情。）
但是我只想查看新数据表中每个人的最多活动，每个名称对应于最近的日期有1个条目。
示例数据
name.last date
1: Adams 2014-10-20
2: Adams 2014-07-07
3: Barnett 2014-11-06
4: Barnett 2014-09-22
5: Bell 2014-10-22
6: Bell 2014-07-29
7: Burns 2014-09-08
8: Burns 2014-09-03
9: Camacho 2014-08-12
10: Camacho 2014-07-08
11: Casillas 2014-10-07
12: Casillas 2014-07-17
13: Chavez 2014-09-23
14: Chavez 2014-09-17
15: Chavira 2014-07-15
16: Chavira 2014-07-07
17: Claren 2014-10-30
18: Claren 2014-10-23
19: Colleary 2014-11-11
20: Colleary 2014-11-07
答案只返回每个名字的第一个（因为这里的行按每个名字的最新日期排序。）但是，如果我设置dt键setkey(dt,name.last)以便使用{{1}要删除重复项，它按键顺序重新排序表（按名称字母顺序排列）。然后使用unique()返回每个名称的第一个外观，这不一定是最近的日期。
如果我在两列unique(dt)上设置密钥，则无法使用setkeyv(dt,c(name.last,date))删除重复项，因为所有密钥都是唯一的。
问题类似于此处的一篇帖子：Collapsing data frame by selecting one row per group。但是我不能假设要选择的数据是第一个还是最后一个，除非你可以建议一种操作我的数据的方法来设置密钥。
答案 0 :(得分：3)
有很多方法可以在不对数据表进行排序的情况下执行此操作（虽然排序是首选，因为duplicated非常有效并且您也避免使用by - 将会达到此目的。 / p>
首先，您必须确保date属于Date类才能让事情变得更轻松
dt[, date := as.Date(date)]
第一种简单的方法（虽然不是最有效的）
dt[, max(date), name.last]
# name.last V1
# 1: Adams 2014-10-20
# 2: Barnett 2014-11-06
# 3: Bell 2014-10-22
# 4: Burns 2014-09-08
# 5: Camacho 2014-08-12
# 6: Casillas 2014-10-07
# 7: Chavez 2014-09-23
# 8: Chavira 2014-07-15
# 9: Claren 2014-10-30
# 10: Colleary 2014-11-11
第二个（提供的）方法与您的类似，但使用data.tables setorder（对于data.table版本＆gt; = 1.9.4）并且应该是最有效的
setorder(dt, name.last, -date)[!duplicated(name.last)]
# name.last date
# 1: Adams 2014-10-20
# 2: Barnett 2014-11-06
# 3: Bell 2014-10-22
# 4: Burns 2014-09-08
# 5: Camacho 2014-08-12
# 6: Casillas 2014-10-07
# 7: Chavez 2014-09-23
# 8: Chavira 2014-07-15
# 9: Claren 2014-10-30
# 10: Colleary 2014-11-11
您可以使用setkey（就像您已经做过的那样）在from.last = TRUE中指定duplicated并删除!
setkey(dt, name.last, date)[duplicated(name.last, from.last = TRUE)]
# name.last date
# 1: Adams 2014-10-20
# 2: Barnett 2014-11-06
# 3: Bell 2014-10-22
# 4: Burns 2014-09-08
# 5: Camacho 2014-08-12
# 6: Casillas 2014-10-07
# 7: Chavez 2014-09-23
# 8: Chavira 2014-07-15
# 9: Claren 2014-10-30
# 10: Colleary 2014-11-11
第三种方法是使用data.table s unique函数（也应该非常有效）
unique(setorder(dt, name.last, -date), by = "name.last")
# name.last date
# 1: Adams 2014-10-20
# 2: Barnett 2014-11-06
# 3: Bell 2014-10-22
# 4: Burns 2014-09-08
# 5: Camacho 2014-08-12
# 6: Casillas 2014-10-07
# 7: Chavez 2014-09-23
# 8: Chavira 2014-07-15
# 9: Claren 2014-10-30
# 10: Colleary 2014-11-11
最后一种方法正在使用.SD。它效率最低，但在某些情况下，如果您希望获得所有列并且不能使用诸如duplicated
setorder(dt, name.last, -date)[, .SD[1], name.last]
# name.last date
# 1: Adams 2014-10-20
# 2: Barnett 2014-11-06
# 3: Bell 2014-10-22
# 4: Burns 2014-09-08
# 5: Camacho 2014-08-12
# 6: Casillas 2014-10-07
# 7: Chavez 2014-09-23
# 8: Chavira 2014-07-15
# 9: Claren 2014-10-30
# 10: Colleary 2014-11-11
答案 1 :(得分：2)
如果我理解你的问题，我认为你可以用sqldf包更干净地做到这一点，但缺点是你必须知道sql。
install.packages("sqldf")
library("sqldf")
dt <-data.frame(read.table(header = TRUE, text = " name.last date
1: Adams 2014-10-20
2: Adams 2014-07-07
3: Barnett 2014-11-06
4: Barnett 2014-09-22
5: Bell 2014-10-22
6: Bell 2014-07-29
7: Burns 2014-09-08
8: Burns 2014-09-03
9: Camacho 2014-08-12
10: Camacho 2014-07-08
11: Casillas 2014-10-07
12: Casillas 2014-07-17
13: Chavez 2014-09-23
14: Chavez 2014-09-17
15: Chavira 2014-07-15
16: Chavira 2014-07-07
17: Claren 2014-10-30
18: Claren 2014-10-23
19: Colleary 2014-11-11
20: Colleary 2014-11-07")
)
head(dt)
colnames(dt) <- c('names', 'date')
sqldf("select names, min(date), max(date) from dt group by names")
希望这很有帮助。
答案 2 :(得分：1)
在写这篇文章时我发现了它。为后人......
按名称和日期对表格进行排序，以便您可以依赖于您希望在组中的第一个或最后一个日期。例如：dt[order(names,-date)]。
然后，而不是设置一个键并使用unique()，只需一个简单的：
dt[!duplicated(names)]
其中names是重复列。
应输出所需的表格。如果有更优雅/可靠的方法，我有兴趣听到它们。