Блог

У меня есть набор данных с тремя столбцами: год, город, значение, которое выглядит следующим образом:

 year = c(2010, 2013, 2010, 2013, 2013)
city = c("Berlin","Berlin", "Munich", "Munich", "Frankfurt")
value = c(1234, NA, NA, 6372, NA)
data <- data.frame(year, value1, value2)

 year    city    value
1 2010    Berlin   1234
2 2013    Berlin     NA
3 2010    Munich     NA
4 2013    Munich   6372
5 2013 Frankfurt     NA
  

Я хотел бы знать, как подмножествовать это, чтобы я сохранял только самые новые доступные данные, чтобы в конце у меня остались такие данные:

  year    city    value
1 2010    Berlin   1234
2 2013    Munich   6372
3 2013 Frankfurt     NA
  

Если я выполняю подмножество в самом высоком году, я получаю NAS, где за этот год нет данных. Если я включу подмножество !is.na() , я потеряю все строки, в которых есть только NA.

Что я хочу сделать конкретно, так это получить самый высокий год для данного города с данными, если только для этого города нет только NAS, а затем самый высокий год с NA. Как бы я поступил по этому поводу?

Мы можем использовать data.table . Преобразуем ‘data.frame’ в ‘data.table’ ( setDT(data) ), сгруппированные по ‘city’, мы указываем ‘i’ как ‘year’ в нисходящем order индексе, if есть any ‘значение’, отличное от NA, мы подмножествуем ‘Data.table’ на основе индекса первого ‘значения’, отличного от NA, или else возвращаем подмножество Data.table.

 library(data.table)
setDT(data)[order(-year), if(any(!is.na(value)))  
            .SD[which(!is.na(value))[1L]] else .SD, by = city]
  

Или компактный вариант от @David Arenburg, из которого мы получаем индекс which.max

 setDT(data)[order(-year), .SD[which.max(!is.na(value))], by = city] 
  

Или используйте модификацию с помощью .I , чтобы ускорить ее

 setDT(data)[data[order(-year), .I[which.max(!is.na(value))], by = city]$V1]
  

Более подробный, обходной подход с использованием dplyr . Это также работает для вашего случая, когда у вас есть несколько лет NA .

 library(dplyr)
data %>%
  group_by(city) %>%
  mutate(all_na = all(is.na(value)),
         remove = ifelse(all_na,
                         year != max(year),
                         is.na(value))) %>%
  ungroup() %>%
  filter(!remove) %>%
  select(-all_na, -remove)
  

max_pos(x) возвращает позицию в x последнего элемента, отличного от NA, x или, если элементов, отличных от NA, нет, возвращает последнюю позицию x . is_max возвращает логическое значение, которое имеет значение TRUE в максимальной позиции и FALSE в другом месте. Обратите внимание, что это ave приведет его результат к типу его первого аргумента, поэтому мы используем !! , чтобы вернуть его к логическому. Наконец, мы выделяем эти элементы в подмножество. Это предполагает, что входные данные отсортированы по годам в пределах города, как в случае с вопросом.

Обратите внимание, что max_pos было сделано компактным с использованием этих фактов:

• в seq_along(x) * 0*x 0*x есть вектор нулей и NAs, поэтому добавьте к нему NAs соответствующие элементы seq_along(x) . То есть это дает тот же результат, что и replace(seq_along(x), is.na(x), NA) который можно было бы использовать вместо него.
• which.max возвращает результат нулевой длины, если x это все значения NA, и c(arg1, arg2)[1] выдает тот же результат, что и if (length(arg1) == 0) arg2 else arg1 который можно было бы использовать вместо него.

Пакеты не используются.

 max_pos <- function(x) c(which.max(seq_along(x)   0*x), length(x))[1]
is_max <- function(x) seq_along(x) == max_pos(x)
subset(data, !!ave(value, city, FUN = is_max))
  

предоставление:

   year      city value
1 2010    Berlin  1234
4 2013    Munich  6372
5 2013 Frankfurt    NA