R:对一列中与同一数据框中不同列中的特定值相对应的值进行排序/选择的有效方法

Question

我正在使用一个名为 Student_Majr2 的数据框，其中包含大约 60K 行和两个相关列:一个用于匿名学生 ID 号，另一个用于学生申报专业的日期/学期(下面的前两列)。问题是大量学生改变专业，因此对于每个学生 ID 可能有多个关联日期。大约有 30,000 个唯一的学生 ID。我的目标是创建一个新的数据框，其中仅包含每个学生 ID 的最新专业声明日期(即他们最终选择的专业)。这是数据框的结构:

'data.frame':   59749 obs. of  5 variables:
 $ studentID               : int  1 2 2 2 4 4 5 6 8 8 ...
 $ SGBSTDN_TERM_CODE_EFF   : int  199920 199920 200040 200320 200130 200220 200140 200020 200430 200540 ...
 $ SGBSTDN_MAJR_CODE_1     : chr  "720" "966" "996" "906" ...
 $ SGBSTDN_MAJR_CODE_CONC_1: chr  "" "" "" "" ...
 $ SGBSTDN_LEVL_CODE       : chr  "UG" "UG" "UG" "UG" ...

我创建了以下脚本来实现此目标，并且它是有效的。然而，它的效率也非常低，在运行 Windows 8.1 的 corei5 处理器的 PC 上，使用 R-Studio 和 R 版本 3.1.1 运行需要几个小时。 (我实际上不确定花了多长时间，几个小时后我就上床 sleep 了，七个小时后早上就完成了)。

我确信有一种更有效的方法来执行此操作，因此我不必在 sleep 时继续运行这样的脚本，但我不知道它是什么。我将非常感谢任何建议和帮助。

library(dplyr)
final_majr <- data.frame() # the final dataframe with final major per student ID
tbl_df(final_majr)
students <- unique(Student_Majr2$studentID) #students gets vector with all unique student ids
for (i in students) { #loop through all student id numbers
        temp_majr <- data.frame() #set up temporary dataframe for each unique student id and major
        tbl_df(temp_majr)

                for (q in 1:nrow(Student_Majr2)) { #loop through all row numbers from student_major df
                        if (Student_Majr2$studentID[q] == i){ #identify rows for each student ID from top loop 
                                temp_majr <- rbind(temp_majr, Student_Majr2[q, ]) #and add to temp_majr df
                        }
                }
        temp_majr <- arrange(temp_majr, SGBSTDN_TERM_CODE_EFF) #order the rows using dplyr package
        m <- nrow(temp_majr) # m gets the total number of rows in temp_majr
        final_majr <- rbind(final_majr, temp_majr[m, ]) #and here we add the bottom row to final_majr
}

非常感谢您对此脚本的所有帮助。我经常咨询 stackoverflow 寻求编程帮助，这是我的第一个问题/帖子。感谢您提供有关如何使我的问题更容易理解和回答的反馈。

Answer 1

基础 R 解决方案。您可以对数据进行排序，然后使用重复来选择所需的行。

# some data
dat <- data.frame(studentID = c(1, 2, 2, 2, 4, 4, 5, 6, 8, 8),
                  SGBSTDN_TERM_CODE_EFF = c(199920, 199920, 200040, 200320, 200130, 200220, 200140, 200020, 200430, 200540),
                  SGBSTDN_MAJR_CODE_1 = letters[1:10])

# order data by id and latest date first
dat <- with(dat, dat[order(studentID, -SGBSTDN_TERM_CODE_EFF), ])

# select first observation
with(dat, dat[!duplicated(studentID), ])
# studentID SGBSTDN_TERM_CODE_EFF SGBSTDN_MAJR_CODE_1
# 1          1                199920                   a
# 4          2                200320                   d
# 6          4                200220                   f
# 7          5                200140                   g
# 8          6                200020                   h
# 10         8                200540                   j