R语言：判断DataFrame的ID是否存在于另一DataFrame并计算流失率

需求说明 #

现有两个不同时间点采样的DataFrame（df1、df2），存在样本流失和变量增减情况，需完成两项操作：

• 在df1中新增二进制列，标记每个id是否存在于df2中
• 计算不同波次的样本流失率

样本数据 #

生成df1和df2的代码如下：

# df1
df1 <- structure(list(id = c("5ea1954758634f04542a50bf", "3fjkfgho55efy467grtu523r", "df79756gh5485trhfsdkig3d", 
"d6rg756ghuej4678dfdkig3d", "546dt547546hgdvc842a50bf"), var1 = 1:5, var2 = 3:7), row.names = c(-5L), class = "data.frame")

# df2
df2 <- structure(list(id = c("73egdv4758634f04542a50bf", "3fjkfgho55efy467grtu523r", "tr54756gh5485trhfsdkig3d", 
"d6rg756ghuej4678dfdkig3d", "357dt547546hgdvc842a50bf"), var1 = 2:6, var4 = 3:7), row.names = c(-5L), class = "data.frame")

注：原代码中row.names设为-6L但仅包含5条数据，已修正为-5L避免报错。

错误尝试代码 #

用户尝试的代码未生效（未生成目标列）：

df1 %>%
  mutate(in_df2 = c("no", "yes")[1 + (rowSums(
    outer(
      strsplit(id, "\\s+"),
      strsplit(df2$id, "\\s+"),
      Vectorize(function(x, y) all(x %in% y) | all(y %in% x))
    )
  ) > 0)])

问题分析：代码过度复杂（无需拆分无空格的id），且未将处理结果赋值回df1，导致修改未保存。

解决方案 #

1. 新增存在性标记列 #

直接使用%in%判断id是否存在，结合dplyr::mutate新增列：

library(dplyr)

# 新增in_df2列，标记是否存在于df2
df1 <- df1 %>%
  mutate(in_df2 = ifelse(id %in% df2$id, "Yes", "No"))

执行后df1的输出结果：

id in_df2 var1 var2
1 5ea1954758634f04542a50bf     No    1    3
2 3fjkfgho55efy467grtu523r    Yes    2    4
3 df79756gh5485trhfsdkig3d     No    3    5
4 d6rg756ghuej4678dfdkig3d    Yes    4    6
5 546dt547546hgdvc842a50bf     No    5    7

2. 计算样本流失率 #

流失率公式：(df1总样本数 - 留存样本数) / df1总样本数，代码实现：

# 计算样本流失率
total_samples <- nrow(df1)
retained_samples <- sum(df1$in_df2 == "Yes")
attrition_rate <- (total_samples - retained_samples) / total_samples

# 输出结果，保留两位小数
cat(sprintf("样本流失率：%.2f%%", attrition_rate * 100))

执行后输出：样本流失率：60.00%

内容的提问来源于stack exchange，提问作者C_bath