В R: извлечение данных из столбца на основе ближайшей даты

Что-то, что вы можете попробовать:

### Packages
library(dplyr)
library(readr)
library(lubridate)

### Data
df_ex_original = read_csv("C:/Users/your_name/your_folder/df ex_original.csv")
df_ex_long = read_csv("C:/Users/your_name/your_folder/df ex_long.csv")

### Format correctly the columns which contain the dates
df1=df_ex_original %>% select(1,2) %>% mutate(key_date=mdy(key_date))
df2=df_ex_long %>% mutate(date=mdy(date))

### Join steps to find the closest date and the corresponding value for each id
### A count column has been added to identify duplicates
df1 %>%
  left_join(y = df2, by = join_by(id,closest(key_date<=date))) %>% 
  left_join(y = df2, by = join_by(id,closest(key_date>=date))) %>% 
  mutate(value=pmin(value.x,value.y,na.rm = TRUE)) %>% 
  select(id,key_date,last_col()) %>% 
  group_by(id) %>% 
  mutate(n=n())

Выход :

# A tibble: 7 × 4
# Groups:   id [6]
     id key_date   value     n
  <dbl> <date>     <dbl> <int>
1     1 2024-01-06     3     1
2     2 2024-01-01     1     1
3     3 2024-01-10     1     1
4     4 2024-01-12     0     1
5     5 2024-01-14     6     1
6     6 2024-01-02     5     2
7     6 2024-01-02     1     2

Я думаю, здесь есть два вопроса, да?

Первый:

tidyr::pivot_wider имеет действительно хорошие сообщения об ошибках, в которых фактически указан код, который можно использовать для отладки, например:

Use the following dplyr code to identify duplicates.
  {data} |>
  dplyr::summarise(n = dplyr::n(), .by = c(id, date)) |>
  dplyr::filter(n > 1L) 

Где {data} ваш фрейм данных. Альтернативно, вы можете суммировать дубликаты, если вам не нужно проверять их один за другим, например:

read.csv('df_ex_long.csv') |>
  dplyr::group_by(id, date) |>
  dplyr::summarize(value = mean(value)) |>
  dplyr::ungroup()

Второй:

abs должен полностью работать с объектами Date-класса:

Sys.Date() - (Sys.Date() - 5)
# Time difference of 5 days
Sys.Date() - (Sys.Date() + 5)
# Time difference of -5 days
abs(Sys.Date() - (Sys.Date() + 5))
# Time difference of 5 days

# OR:

time <- data.frame(t0 = c(Sys.Date() + seq(100)), t1 = c(Sys.Date() + rnorm(100, 50, 10)))
time$t1 - time$t0
abs(time$t1 - time$t0)

Вы можете проверить свои классы объектов с помощью class (например, class(time$t1) и при необходимости преобразовать их в другие (например, ?as.POSIXct, ?as.POSIXlt, ?strptime).

Решение таблицы данных с использованием скользящего соединения (возвращает первую запись, если есть связи):

library(data.table)

df_ex_original = fread("df ex_original.csv")
df_ex_long = fread("df ex_long.csv")

df_ex_original[, `:=`(key_date=as.Date(key_date, format = "%m/%d/%Y"),
                     value=NULL)]

df_ex_long[, date:=as.Date(date, format = "%m/%d/%Y")]

setkeyv(df_ex_original, c('id', 'key_date'))
setkeyv(df_ex_long, c('id', 'date'))

df_ex_long[df_ex_original, roll = "nearest"]

Key: <id, date>
      id       date value
   <int>     <Date> <int>
1:     1 2024-01-06     3
2:     2 2024-01-01     1
3:     3 2024-01-10     1
4:     4 2024-01-12     0
5:     5 2024-01-14     6
6:     6 2024-01-02     5

Отвечая на комментарий:

Команды data.table обновляются по ссылке, поэтому нет необходимости использовать <-. Более подробную информацию можно найти на странице помощи . Здесь показано, как использовать := при обновлении нескольких столбцов.

Присвоение переменной значения NULL фактически удаляет эту переменную из данных, и мне не нужна переменная value в df1, поскольку вы хотели получить ее значения из df2. Я мог бы использовать обновление, но мне показалось, что это лучший способ.

В моей команде as.Date() произошла непростительная ошибка. Извини! Пожалуйста, замените «%M» на «%m».