如何在R中按优先级合并多版本含缺失值的同结构数据集？

你需要按dataset1 → dataset2 → dataset3 → dataset4 → dataset5的优先级，用后续数据集的非NA值填充前序数据集的缺失值，最终得到完整数据集。以下是两种实用实现方法：

方法一：使用dplyr包（简洁高效） #

首先要将数据集中的字符串"NA"转换为R原生的NA（否则缺失值无法被识别），再用coalesce()函数按列取第一个非NA值：

# 1. 转换字符串"NA"为R原生NA
dataset1[dataset1 == "NA"] <- NA
dataset2[dataset2 == "NA"] <- NA
dataset3[dataset3 == "NA"] <- NA
dataset4[dataset4 == "NA"] <- NA
dataset5[dataset5 == "NA"] <- NA

# 2. 加载dplyr包并合并数据集
library(dplyr)

dataset_complete <- dataset1 %>%
  mutate(
    across(
      everything(), 
      ~coalesce(., dataset2[[cur_column()]], dataset3[[cur_column()]], dataset4[[cur_column()]], dataset5[[cur_column()]])
    )
  )

方法二：基础R实现（无需额外包） #

如果不想加载第三方包，可用基础R循环完成：

# 1. 将所有数据集存入列表，并转换字符串"NA"为原生NA
datasets <- list(dataset1, dataset2, dataset3, dataset4, dataset5)
datasets <- lapply(datasets, function(df) {
  df[df == "NA"] <- NA
  return(df)
})

# 2. 初始化完整数据集为第一个数据集
dataset_complete <- datasets[[1]]

# 3. 按列遍历，用后续数据集填充缺失值
for (col in colnames(dataset_complete)) {
  for (i in 2:length(datasets)) {
    # 找到当前列仍为NA的行，用第i个数据集的对应值填充
    na_pos <- is.na(dataset_complete[[col]])
    dataset_complete[[col]][na_pos] <- datasets[[i]][[col]][na_pos]
  }
}

运行上述任意一种方法后，dataset_complete将与你预期的完整数据集完全一致。

内容的提问来源于stack exchange，提问作者Wandering_geek