在R中基于PassengerId组填充NA值（SpaceTitanic竞赛场景）

针对你在SpaceTitanic竞赛中遇到的同组（PassengerId前4位相同）缺失值填充需求，以下是两种比多对象连接更简洁高效的实现方式：

方法一：使用dplyr（tidyverse生态） #

先构造示例数据：

library(dplyr)

df <- tibble(
  PassengerId = c('0001_01', '0003_01', '0003_02'),
  HomePlanet = c('Europa', 'Mars', NA)
)

核心步骤：提取PassengerId前4位作为分组标识，按分组用组内非缺失值填充NA。

实现代码（精准取组内非NA值填充）：

df_filled <- df %>%
  mutate(group_id = str_sub(PassengerId, 1, 4)) %>% # 提取前4位作为组ID
  group_by(group_id) %>%
  mutate(HomePlanet = ifelse(is.na(HomePlanet), first(na.omit(HomePlanet)), HomePlanet)) %>%
  ungroup() %>%
  select(-group_id) # 可选：移除临时分组列

如果组内非NA值位置不固定，可使用双向填充覆盖所有组内NA：

df_filled <- df %>%
  mutate(group_id = str_sub(PassengerId, 1, 4)) %>%
  group_by(group_id) %>%
  fill(HomePlanet, .direction = "downup") %>% # 先向下再向上填充，覆盖所有NA
  ungroup() %>%
  select(-group_id)

方法二：使用data.table（大数据场景更高效） #

如果数据集规模较大，data.table的内存效率和运算速度会更有优势：

library(data.table)

dt <- data.table(
  PassengerId = c('0001_01', '0003_01', '0003_02'),
  HomePlanet = c('Europa', 'Mars', NA)
)

# 提取分组ID并完成双向填充
dt[, group_id := substr(PassengerId, 1, 4)]
dt[, HomePlanet := nafill(HomePlanet, type = "locf"), by = group_id] # 向下填充
dt[, HomePlanet := nafill(HomePlanet, type = "nocb"), by = group_id] # 向上填充
dt[, group_id := NULL] # 移除临时分组列

这两种方法都无需创建多个中间对象，直接在原数据结构内完成分组和填充，代码更简洁且性能更优。

内容的提问来源于stack exchange，提问作者max