使用data.table根据特定日期条件过滤观察值

Question

我有一组观察结果，这些观察结果在用户每次执行操作时都会记录下来。我只想过滤用户相隔六个月或更长时间的观察结果。

因此，如果用户对“ 2018-01-01”，“ 2018-03-01”和“ 2018-07-01”采取了此操作，我只希望仅保留“ 2018-01-01”和“ 2018” -07-01”。

同样，如果用户对“ 2018-01-01”，“ 2018-03-01”，“ 2018-07-01”和“ 2019-03-01”采取了措施，我只想保留“ 2018-01” -01“，” 2018-07-01“，” 2019-03-01“。

到目前为止，我已经编写了很长且不可行的代码。

# What I want to achieve
library(data.table)

dataIhave <- data.table(id    = c(1, 1, 1, 1, 2, 2, 3, 4), 
                        dates = c("2018-01-01", 
                                  "2018-03-01",
                                  "2018-07-01",
                                  "2019-01-01",
                                  "2018-01-03", 
                                  "2018-07-02", 
                                  "2018-02-01",
                                  "2018-02-01"))

dataIwant <- data.table(id    = c(1, 1, 1, 2, 3, 4), 
                        dates = c("2018-01-01", 
                                  "2018-07-01",
                                  "2019-01-01",
                                  "2018-01-01", 
                                  "2018-02-01",
                                  "2018-02-01"))

Answer 1

这是@Uwe答案的滚动联接变体：

library(lubridate)
dataIhave[, dates := as.IDate(dates)]

ids = unique(dataIhave$id)

dataIhave[, seq := NA_integer_]
s = 1L
w = dataIhave[.(ids), on=.(id), mult="first", which = TRUE]
dataIhave[w, seq := s]
while (TRUE){
  w = dataIhave[
    dataIhave[w, .(id, dates = dates %m+% months(6))], 
    on = .(id, dates), roll = -Inf, nomatch = 0, which = TRUE
  ]

  if (!length(w)) break
  s = s + 1L
  dataIhave[w, seq := s]
}

dataIhave[!is.na(seq)]

   id      dates seq
1:  1 2018-01-01   1
2:  1 2018-07-01   2
3:  1 2019-01-01   3
4:  2 2018-01-03   1
5:  3 2018-02-01   1
6:  4 2018-02-01   1

循环将获取w每个定义的行，并将id其dates向前推进六个月，然后查找找到的下一行（如果有）。连接的参数为：

• 具有连接语法的表 x[i, ...]
  • x = dataIhave
  • i = dataIhave[w, .(id, dates = dates %m+% months(6))]
• on = .(id, date)：要匹配的列
• roll = -Inf：在中的最后一列找到下一个匹配项 on=
• nomatch = 0：如果找不到匹配项，请跳过
• which = TRUE：返回匹配的行号

此外，如果有重复的日期（请参阅@Uwe帖子中的第二个示例）：

• mult = "first"：仅对第一行进行第一场比赛 i

在选择id循环之前的第一行时，我假设数据是按dates内部排序的id（所以我不像order@Uwe的答案那样使用）。