如何在R中基于多因子列生成符合特定NA规则的新列

需求说明 #

需要在tibble中生成新列，规则如下：

• 仅当用于生成新列的所有目标列均为NA时，新列返回NA
• 若目标列中至少有一列值为"yes"，新列返回"yes"
• 若目标列中没有"yes"且不全为NA，新列返回"no"

示例数据（Reprex） #

library(tidyverse)

# 创建示例数据集
df <- tibble(
  othervar_2007 = c(NA, "yes", "no", "no", "no"),
  morv1_2007 = c(NA, "yes", "no", "no", NA),
  morv2_2007 = c(NA, "yes", NA, "no", "no"),
  morv3_2007 = c(NA, "no", "yes", "no", "no"),
  morv4_2007 = c(NA, "no", "no", "no", "no"),
  morv_othervar = c(NA, "yes", "no", "no", "no")
)

# 查看数据集
df
#> # A tibble: 5 × 6
#>   othervar_2007 morv1_2007 morv2_2007 morv3_2007 morv4_2007 morv_othervar
#>   <chr>         <chr>      <chr>      <chr>      <chr>      <chr>        
#> 1 <NA>          <NA>       <NA>       <NA>       <NA>       <NA>         
#> 2 yes           yes        yes        no         no         yes          
#> 3 no            no         <NA>       yes        no         no           
#> 4 no            no         no         no         no         no           
#> 5 no            <NA>       no         no         no         no

现有方案的问题 #

• 方案1（case_when逐个列判断）：

  df <- df %>% 
    mutate(newvar1 = case_when(
      morv1_2007 == "yes" | morv2_2007 == "yes" | morv3_2007 == "yes" | morv4_2007 == "yes" ~ "Yes",
      morv1_2007 == "no" | morv2_2007 == "no" | morv3_2007 == "no" | morv4_2007 == "no" ~ "No"
    ))
  

  可行但列数较多时操作繁琐，无法使用starts_with/ends_with等列选择器批量指定目标列。

• 方案2（rowwise + rowSums）：

  df <- df %>%
    rowwise %>%
    mutate(newvar2 = if_else(rowSums(across(c(morv1_2007, morv2_2007, morv3_2007, morv4_2007), ~ .x == "yes"))>0, "Yes", "No"))
  

  只要目标列存在一个NA就返回NA；添加na.rm=TRUE后，全NA行会错误返回"No"，不符合需求。

• 方案3（rowwise + c_across）：

  df <- df %>%
    rowwise %>%
    mutate(newvar3 = if(all(is.na(c_across(matches("^morv.*2007$"))))) {
      NA_character_
    } else if ("yes" %in% c_across(matches("^morv.*2007$"))) {
      "yes"
    } else {
      "no"
    })
  

  符合需求但rowwise逐行处理效率极低，处理大数据集时速度很慢。

高效解决方案 #

使用向量化的if_all/if_any函数替代rowwise，无需逐行遍历，大幅提升运行效率，同时支持列选择器批量指定目标列：

df <- df %>%
  mutate(
    newvar = case_when(
      # 所有目标列均为NA时返回NA
      if_all(matches("^morv.*2007$"), is.na) ~ NA_character_,
      # 至少有一个目标列是"yes"时返回"yes"
      if_any(matches("^morv.*2007$"), ~ .x == "yes") ~ "yes",
      # 其余情况返回"no"
      TRUE ~ "no"
    )
  )

# 验证结果
df %>% select(starts_with("morv") & ends_with("2007"), newvar)
#> # A tibble: 5 × 5
#>   morv1_2007 morv2_2007 morv3_2007 morv4_2007 newvar
#>   <chr>      <chr>      <chr>      <chr>      <chr> 
#> 1 <NA>       <NA>       <NA>       <NA>       <NA>  
#> 2 yes        yes        no         no         yes   
#> 3 no         <NA>       yes        no         yes   
#> 4 no         no         no         no         no    
#> 5 <NA>       no         no         no         no

方案优势 #

1. 高效：基于向量化操作，避免rowwise的逐行开销，处理大数据集时速度提升明显
2. 灵活：通过matches/starts_with/ends_with等列选择器批量指定目标列，无需逐个列名输入
3. 精准：完全符合需求中的NA处理规则

内容的提问来源于stack exchange，提问作者larsroarf