如何在R语言中编写代码处理含NA值的重复样本均值计算？

原始数据结构 #

raw 数据框格式如下：

• 每个样本有2-3个重复
• NA 表示无法获取有效数值

期望输出 #

生成名为averages的数据框，按SampleID分组计算各变量均值，需满足：

1. 若某变量的所有重复值均为NA，结果保留NA且样本不被遗漏
2. 若某变量存在非NA值，忽略NA计算均值

输出格式示例：

已尝试的方法及问题 #

• 方法1：仅支持单列计算，且会遗漏全NA变量的样本

  averages <- aggregate(raw$'Var1', list(raw$SampleID), FUN=mean, na.rm=TRUE)
  

• 方法2：未正确忽略NA值（组内有NA时，mean直接返回NA而非忽略NA计算）

  averages <- aggregate(.~SampleID, raw, mean, na.rm=TRUE)
  

• 方法3：仍会遗漏含全NA变量的样本

  avgcolnames <- colnames(raw[,sapply(results,is.numeric)])
  averages <- aggregate(cbind(avgcolnames) ~ SampleID, data = raw, 
                        FUN = mean, na.rm = TRUE)
  

• 方法4：仅支持单列计算，需手动指定所有变量列，效率低

  averages <- raw %>% 
    group_by(SampleID) %>%
    summarize(Var1 = mean(Var1, na.rm = TRUE))
  

解决方案 #

方法1：使用dplyr（推荐，简洁高效） #

利用across()批量处理所有数值列，自定义逻辑确保全NA时返回NA：

library(dplyr)

averages <- raw %>%
  group_by(SampleID) %>%
  summarize(
    across(where(is.numeric), 
           ~ if(all(is.na(.x))) NA_real_ else mean(.x, na.rm = TRUE)
           )
  ) %>%
  ungroup()

方法2：使用Base R #

自定义聚合函数，结合aggregate()实现需求：

# 自定义均值函数：全NA返回NA，否则忽略NA计算均值
mean_na_handling <- function(x) {
  if(all(is.na(x))) {
    return(NA_real_)
  } else {
    return(mean(x, na.rm = TRUE))
  }
}

# 对所有数值列应用自定义函数
averages <- aggregate(. ~ SampleID, data = raw, FUN = mean_na_handling)

说明 #

两种方法均可满足需求：

• 批量处理所有数值变量，无需手动指定列名
• 变量组内全为NA时，结果保留NA，样本不会被遗漏
• 存在非NA值时，自动忽略NA计算均值

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