R中分组数据匹配生成other_id变量的实现问题

数据集结构 #

df <- data.frame(
  id = c(1,1,2,2,3,3,4,5),
  group = c('A','A','A','A','A','A','B','B'),
  value1 = c('m', 'm', 'f', 'm', 'f', 'm', 'f', 'm'),
  value2 = c(50, 50, 20, 50, 20, 50, 60, 20),
  value1_1 = c('f', 'f', 'm', 'm', 'm', 'm', 'm', 'f'),
  value2_1 = c(20, 20, 50, 50, 50, 50, 20, 60)
)

需求 #

在每个group内，判断当前行的value1等于组内其他行的value1_1，且当前行的value2等于组内其他行的value2_1；若满足条件，新建变量other_id记录匹配行的id（多个匹配用逗号分隔），否则为NA。

当前代码的问题 #

现有代码如下：

df <- 
  df %>%
  group_by(group) %>%
  mutate(other_id = ifelse(value1 %in% value1_1 & value2 %in% value2_1, id, NA)) %>% 
  ungroup()

存在两个问题：

• 会匹配到当前行自身，不符合“其他行”的要求
• other_id记录的是当前行的id，而非匹配行的id

期望输出 #

df <- data.frame(
id = c(1,1,2,2,3,3,4,5), 
group = c('A','A','A','A','A','A','B','B'), 
value1 = c('m', 'm', 'f', 'm', 'f', 'm', 'f', 'm'), 
value2 = c(50, 50, 20, 50, 20, 50, 60, 20), 
value1_1 = c('f', 'f', 'm', 'm', 'm', 'm', 'm', 'f'), 
value2_1 = c(20, 20, 50, 50, 50, 50, 20, 60), 
other_id = c("2,3", "2,3", "1", "3", "1", "2", "5", "4"))

解决方案 #

可以通过分组内的自连接实现需求，具体代码如下：

library(dplyr)
library(tidyr)

# 给原数据添加行号，用于精准区分自身行
df <- df %>% mutate(row_num = row_number())

# 分组内自连接，筛选匹配且非自身的行，合并匹配id
matched_df <- df %>%
  group_by(group) %>%
  inner_join(df, 
             by = c("group", "value1" = "value1_1", "value2" = "value2_1"),
             suffix = c("", "_match")) %>%
  filter(row_num != row_num_match) %>%
  group_by(row_num) %>%
  summarise(other_id = paste(unique(id_match), collapse = ",")) %>%
  ungroup()

# 将匹配结果合并回原数据，未匹配项填充NA
df_final <- df %>%
  left_join(matched_df, by = "row_num") %>%
  select(-row_num)

# 查看最终结果
print(df_final)

代码说明 #

• 添加row_num是为了避免匹配到当前行，即使同一id对应多行也能准确区分
• inner_join筛选出满足value1=value1_1且value2=value2_1的行，filter剔除自身匹配
• summarise结合paste将同一行的多个匹配id合并为逗号分隔的字符串
• left_join将匹配结果合并回原数据，未匹配的行other_id自动填充为NA

运行后得到的结果与期望输出完全一致。

内容的提问来源于stack exchange，提问作者kris