合并R数据框后观测数从940骤增至883600的问题排查求助

数据暴涨的核心原因 #

你用merge()合并两个数据框时，没有指定用于匹配的关联键，R会默认把两个数据框做笛卡尔积（即每一行和另一数据框的所有行配对）。你的HourlyActivity有940行，DailyActivity$Id也有940行，940×940=883600，这就是数据量暴增的原因。

另外你写的去重代码存在格式错误：AllActivity[duplicated(AllActivity$SedentaryHour)]，数据框的索引格式是[行索引, 列索引]，你只写了行的判断条件却没加逗号，R会把这个逻辑值当成列索引解析，所以报出"undefined columns selected"错误。

正确的操作方式 #

方法1：直接在原数据中新增小时列（最简便） #

不需要新建多个数据框再合并，直接在DailyActivity里添加转换后的小时列：

# 直接在原数据框中生成小时列
DailyActivity$SedentaryHour <- DailyActivity$SedentaryMinutes / 60
DailyActivity$LightlyActiveHour <- DailyActivity$LightlyActiveMinutes / 60
DailyActivity$FairlyActiveHour <- DailyActivity$FairlyActiveMinutes / 60
DailyActivity$VeryActiveHour <- DailyActivity$VeryActiveMinutes / 60

# 查看处理后的数据
View(DailyActivity)

这样数据行数还是原来的940，每个Id的观测数保持正常，完全不需要后续的合并和去重操作。

方法2：新建数据框时直接包含Id #

如果一定要单独创建包含小时数据的新数据框，直接把Id列一起放进data.frame()里，避免后续错误的合并：

# 生成小时列并直接包含Id
HourlyActivity <- data.frame(
  Id = DailyActivity$Id,
  SedentaryHour = DailyActivity$SedentaryMinutes / 60,
  LightlyActiveHour = DailyActivity$LightlyActiveMinutes / 60,
  FairlyActiveHour = DailyActivity$FairlyActiveMinutes / 60,
  VeryActiveHour = DailyActivity$VeryActiveMinutes / 60
)

View(HourlyActivity)

这个数据框的行数和原数据一致，每个Id的观测数保持约30条，符合你的预期。

已生成错误数据的可选修复（不推荐） #

如果不想重新操作，要修复已经生成的883600行数据，可以用以下代码（但更推荐上面的方法，避免走弯路）：

# 只保留每个Id和对应小时数据的正确配对（取行索引为1:940的倍数的行）
AllActivity_fixed <- AllActivity[seq(1, nrow(AllActivity), by = 940), ]

不过这个方法依赖于笛卡尔积的生成顺序，不如直接重新生成数据可靠。

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