基于唯一ID合并数据框的行

Question

我有一个数据框，在所有参与者中，一个唯一的主体ID会重复两次。接下来的数据似乎由一列组成，在其中一个条目的值为NA，在另一个条目中存在一个值（尽管这不确定，我使用的方法应该考虑到这种可能性不存在）。

以下是一个示例：

Name <- c("Jon", "Jon", "Maria", "Maria", "Tina", "Tina", "dan", 'dan', 'wen', 'wen')
a <- c(1, 1, 2, 2, 3, 4, 4, 4, 5, 6)
b <- c(NA, 1, NA, 2, NA, 3, NA, 4, NA, 5)
c <- c(1, NA, 2, NA, 3, NA, 4, NA, 5, NA)
df <- data.frame(Name, a, b, c)

到目前为止，我想到的解决方案是循环遍历所有唯一的ID（在上面的例子中是名称），并为每个条目创建单独的数据框。类似于这样：

#Instantiate list of lists that will become dfs
firstdf <- c()
seconddf <- c()

#Loop through existing df by unique ID (Name) and create 
# list containing values of 1 entry and list of the other 
for (i in unique(df$Name)) {
  innerlist1 <- c()
  innerlist2 <- c()
  
  for (x in c(1:length(df[df['Name'] == i]))) {
    if (x%%2 == 1) {
      # Takes one set of entries per ID
      innerlist1 <- c(innerlist1, df[df['Name'] == i][x])
      
    } else if (x%%2 == 0) {
      # Takes other set of entries per ID
      innerlist2 <- c(innerlist2, df[df['Name'] == i][x])
    }
  }
  firstdf <- c(firstdf, list(innerlist1))
  seconddf <- c(seconddf, list(innerlist2))
}
# Make dfs from lists
firstdf <- do.call(rbind.data.frame, firstdf)
names(firstdf) <- names(df)

seconddf <- do.call(rbind.data.frame, seconddf)
names(seconddf) <- names(df)

我会使用类似于合并的方法，通过by="Name"将dfs组合起来。 我的原始数据集很大，这种方法不是特别高效或优雅。有没有人能提出改进意见？

- JED HK

Answer 1

您可以通过排除组中的NA来保留第一个值：

library(dplyr)

df %>%
  group_by(Name) %>%
  summarise(a = first(stats::na.omit(a)), 
            b = first(stats::na.omit(b)), 
            c = first(stats::na.omit(c)))
# A tibble: 5 x 4
  Name      a     b     c
  <chr> <dbl> <dbl> <dbl>
1 dan       4     4     4
2 Jon       1     1     1
3 Maria     2     2     2
4 Tina      3     3     3
5 wen       5     5     5

- Clemsang

---

这很有帮助，但我注意到例如在Tina的实例中只取了值3，而更合适的是取3和4的平均值或者像“3,4”这样的东西。 - JED HK

你可以用 mean 或 paste 的值来替换 first - Clemsang

Answer 2

如果一个ID对应多个非NA值，您可以使用toString函数来将它们合并。您可以使用以下代码：

library(dplyr)
df %>% 
  group_by(Name) %>% 
  summarise_all(funs(toString(na.omit(.))))

输出：

# A tibble: 5 × 4
  Name  a     b     c    
  <chr> <chr> <chr> <chr>
1 dan   4, 4  4     4    
2 Jon   1, 1  1     1    
3 Maria 2, 2  2     2    
4 Tina  3, 4  3     3    
5 wen   5, 6  5     5 

- Quinten

Answer 3

顺便说一句，对于未来的读者，我最终做的是按奇偶索引逐个获取每个ID的条目，并创建两个数据框，如下：

firstdf <- df[seq_len(nrow(df))%%2 == 1, ]
seconddf <- df[seq_len(nrow(df))%%2 == 0, ]

在此之后，只需删除所有条目均为NAs的列，然后将dfs合并，同时处理两个dfs在同一位置都有非NA值的情况(例如，通过取两个值的平均值)。

我在现实生活中还需要采取一些额外的步骤，这个例子的简单性并没有涵盖，包括:

1. 对df进行排序并重置索引，以便在两个dfs中保持df中条目的位置一致，就像这样:

df <- df[order(df$Name), ]
rownames(df) <- NULL 

检查每个名称是否恰好出现了两次，不多也不少：

#Using dplyr 
library(dplyr)
df %>% 
     count(Name) %>%
     filter(n!=2)
# Should return 0 rows 

如果有超过两个或少于两个条目的情况，我会执行以下操作：

more <- df %>% 
        count(name) %>%
        filter(n>2)

df_more_than_two <- df[df$Name %in% more$Name]

# Change sign in filter function to < 2 for those with only one entry 

我随后创建了三个数据框（一个条目、两个条目和三个条目的那些数据框），但本质上执行了相同的步骤。

- JED HK

---

不是我给你点的踩，但可能的解释是：在你的问题中，"为了未来读者"这样的编辑会更好。自己回答问题是被看作不受欢迎的行为。而且，这个具体的回答也更像是对你自己问题的一个状态更新，而不是一个真正的回答。 - Omniswitcher