tidyverse: suppression des rangées de la trame de données sur la base des valeurs des autres rangées

Question

J'ai un quadrillage de données de levé. Chaque rangée représente une entrevue avec un «répondant». Certains répondants ont été interviewés une fois; d'autres ont été interviewés plusieurs fois. Je veux sélectionner, à partir de ce fichier, seulement la dernière interview pour chaque répondant.

Voici un exemple minimal:

tmp <- tribble(
    ~YYYYMM, ~ID, ~DATEPR, ~IDPREV, 
    198001, 1,  NA,  NA, 
    198001, 2,  NA,  NA, 
    198001, 3,  NA,  NA, 
    198002, 1,  198001, 1, 
    198002, 2,  NA,  NA, 
    198002, 3,  NA,  NA, 
    198003, 1,  198002, 1, 
    198003, 2,  NA,  NA, 
    198003, 3,  198002, 3) 

où

• YYYYMM est la date d'une entrevue.

• DATEPR est la date de l'interview précédente du répondant, s'il y en avait une.

• ID est unique seulement dans les vagues d'interview. Cela signifie, par exemple, que le répondant pour lequel ID==2 et YYYMM==198001 n'a pas besoin d'être le répondant pour qui ID==2 et YYYMM==198002.

• IDPREV est l'ID de l'interview précédente du répondant, s'il y en avait une.

Il y a neuf rangées dans le quadrilatère ci-dessus. Mais un répondant a été interviewé trois fois, et un autre a été interviewé deux fois. Je ne veux que la dernière interview pour chaque répondant, donc je veux un pépin avec seulement six rangées. Ce code fait le travail:

for (i in 1:nrow(tmp)) { 
    if (!is.na(tmp$DATEPR[i])) { 
    ind <- which(tmp$YYYYMM == tmp$DATEPR[i] & tmp$ID == tmp$IDPREV[i]) 
    tmp <- tmp[-ind, ] 
    } 
} 

Mais il semble un peu difficile à analyser. Existe-t-il un moyen plus clair d'atteindre le même but avec les fonctions tidyverse? J'ai en tête une fonction en deux étapes: d'abord, obtenir les indices de toutes les lignes à supprimer; Deuxièmement, supprimez les lignes. Mais je n'ai pas été en mesure d'implémenter cette solution avec map ou avec les fonctions dplyr.

Answer 1

Si tous précédemment interrogés ID sont répertoriés sur les 3e et colonnes 4e, vous pouvez faire une anti_join gauche du cadre de données avec lui-même en utilisant dplyr::anti_join, ici vous correspondez DATEPR et IDPREV avec les respectivement YYYYMM et ID, seules les lignes de temp dont YYYYMM et ID qui n'ont pas un match sera laissé:

anti_join(tmp, tmp, by = c("YYYYMM" = "DATEPR", "ID" = "IDPREV")) %>% 
    arrange(YYYYMM, ID) 

# A tibble: 6 x 4 
# YYYYMM ID DATEPR IDPREV 
# <dbl> <dbl> <dbl> <dbl> 
#1 198001  2  NA  NA 
#2 198001  3  NA  NA 
#3 198002  2  NA  NA 
#4 198003  1 198002  1 
#5 198003  2  NA  NA 
#6 198003  3 198002  3 

---

Après l'exécution de votre code:

for (i in 1:nrow(tmp)) { 
    if (!is.na(tmp$DATEPR[i])) { 
     ind <- which(tmp$YYYYMM == tmp$DATEPR[i] & tmp$ID == tmp$IDPREV[i]) 
     tmp <- tmp[-ind, ] 
    } 
} 
tmp %>% arrange(YYYYMM, ID) 
# A tibble: 6 x 4 
# YYYYMM ID DATEPR IDPREV 
# <dbl> <dbl> <dbl> <dbl> 
#1 198001  2  NA  NA 
#2 198001  3  NA  NA 
#3 198002  2  NA  NA 
#4 198003  1 198002  1 
#5 198003  2  NA  NA 
#6 198003  3 198002  3