合并数据框中的行，其中行不相交并包含 NA

Posted 2023-02-16

【中文标题】合并数据框中的行，其中行不相交并包含 NA

【英文标题】：Merge rows in a dataframe where the rows are disjoint and contain NAs

【发布时间】：2012-12-25 11:35:59

【问题描述】：

我有一个包含两行的数据框：

| code | name  | v1 | v2 | v3 | v4 |
|------|-------|----|----|----|----|
| 345  | Yemen | NA | 2  | 3  | NA |
| 346  | Yemen | 4  | NA | NA | 5  |

有没有一种简单的方法可以合并这两行？ 如果我将“345”重命名为“346”，会不会更容易？

【问题讨论】：

您需要一些规则来组合非 NA 列。比如你总是取第一次出现还是最后一次出现，数字列的平均值等。

这里需要 coalesce() 功能。在这个线程上找到了一个很好的讨论：[link]***.com/questions/19253820/…

【参考方案1】：

您可以使用aggregate。假设您要合并列name 中具有相同值的行：

aggregate(x=DF[c("v1","v2","v3","v4")], by=list(name=DF$name), min, na.rm = TRUE)
   name v1 v2 v3 v4
1 Yemen  4  2  3  5

这就像 SQL SELECT name, min(v1) GROUP BY name。 min函数是任意的，你也可以使用max或mean，它们都从NA返回非NA值，如果na.rm = TRUE返回非NA值。 （如果存在于 R 中，类似 SQL 的 coalesce() 函数听起来会更好。）

但是，您应该首先检查给定 name 的所有非 NA 值是否相同。例如，将aggregate 与min 和max 一起运行并进行比较，或者与range 一起运行。

最后，如果您有比 v1-4 更多的变量，您可以使用 DF[,!(names(DF) %in% c("code","name"))] 来定义列。

【讨论】：

运行你的例子给了我Error in DF$name : $ operator is invalid for atomic vectors

@MattO'Brien 你的 DF 怎么样？是数据框吗？如果有多个列吗？你有复制错误的代码吗？

【参考方案2】：

添加 dplyr 和 data.table 解决方案以确保完整性

使用dplyr::coalesce()

library(dplyr)

sum_NA <- function(x) if (all(is.na(x))) x[NA_integer_] else sum(x, na.rm = TRUE)

df %>% 
  group_by(name) %>% 
  summarise_all(sum_NA)
#> # A tibble: 1 x 6
#>   name   code    v1    v2    v3    v4
#>   <fct> <dbl> <dbl> <dbl> <dbl> <dbl>
#> 1 Yemen   691     4     2     3     5

# Ref: https://***.com/a/45515491
# Supply lists by splicing them into dots:
coalesce_by_column <- function(df) 
  return(dplyr::coalesce(!!! as.list(df)))


df %>% 
  group_by(name) %>% 
  summarise_all(coalesce_by_column)
#> # A tibble: 1 x 6
#>   name   code    v1    v2    v3    v4
#>   <fct> <dbl> <dbl> <dbl> <dbl> <dbl>
#> 1 Yemen   345     4     2     3     5

使用data.table

# Ref: https://***.com/q/28036294/
library(data.table)
setDT(df)[, lapply(.SD, na.omit), by = name]
#>     name code v1 v2 v3 v4
#> 1: Yemen  345  4  2  3  5
#> 2: Yemen  346  4  2  3  5

setDT(df)[, code := NULL][, lapply(.SD, na.omit), by = name]    
#>     name v1 v2 v3 v4
#> 1: Yemen  4  2  3  5

setDT(df)[, code := NULL][, lapply(.SD, sum_NA), by = name]
#>     name v1 v2 v3 v4
#> 1: Yemen  4  2  3  5