按家庭组为多列创建哑变量，处理特殊值与缺失值

现有家庭花名册数据框：

hhroster <- data.frame(HHID = c(1, 1, 1, 2, 2, 3, 3, 3, 3, 4, 4, 4, 5, 5, 6),                     
                       INDID = c(1, 2, 3, 1, 2, 1, 2, 3, 4, 1, 2, 3, 1, 2, 1),
                       response_1 = c("yes", "no", "yes", "yes", "no", "no", "no", "no", "no", "yes", "yes", "no", "yes", "yes", "no"),
                       response_2 = c("no", "no", "yes", "no", "no", "no", "yes", "no", "no", "no", "no", "no", "yes", "yes", "no"))

需求 #

• 基于HHID（家庭ID）聚合，为每个响应列创建家庭层面哑变量：
  • 若家庭中至少1位成员回答"yes"，哑变量取值为1；
  • 若家庭所有成员的响应均为DK、RF或缺失值（NA），则哑变量取值为NA（而非0）；
• 期望输出：

hh <- data.frame(HHID = c(1, 2, 3, 4, 5, 6),
                 HH_response_1 = c(1, 1, 0, 1, 1, 0),
                 HH_response_2 = c(1, 0, 1, 0, 1, 0))

以下提供两种常用的R实现方式，均满足特殊值处理逻辑：

方法1：Base R 原生实现 #

适合不依赖第三方包的场景：

# 定义无效响应集合（DK/RF/缺失值）
invalid_responses <- c("DK", "RF", NA)

# 按HHID分组聚合响应列
hh_agg <- aggregate(
  . ~ HHID,
  data = hhroster[, c("HHID", "response_1", "response_2")],
  FUN = function(x) {
    # 过滤当前家庭的无效响应
    valid_vals <- x[!x %in% invalid_responses]
    # 全无效则返回NA，否则判断是否存在yes并转为整数
    if (length(valid_vals) == 0) {
      NA_real_
    } else {
      as.integer(any(valid_vals == "yes"))
    }
  }
)

# 重命名列以匹配期望输出格式
colnames(hh_agg) <- c("HHID", "HH_response_1", "HH_response_2")

方法2：Tidyverse（dplyr）实现 #

管道式语法更简洁，适合批量处理多列：

library(dplyr)

invalid_responses <- c("DK", "RF", NA)

hh_agg <- hhroster %>%
  # 按家庭分组
  group_by(HHID) %>%
  # 批量处理所有响应列
  summarise(
    across(
      starts_with("response_"),
      ~ {
        valid_vals <- .x[!.x %in% invalid_responses]
        if (length(valid_vals) == 0) NA_real_ else as.integer(any(valid_vals == "yes"))
      }
    ),
    .groups = "drop" # 取消分组状态
  ) %>%
  # 重命名列前缀
  rename_with(~ gsub("response_", "HH_response_", .x), starts_with("response_"))

验证 #

执行任意一种方法后，hh_agg将与期望输出一致；若某家庭所有成员的响应均为无效值，对应哑变量会自动设为NA。

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