如何在R语言中基于条件补全分组数据行中的缺失观测值

当然可以实现这个需求！在R中，我们可以借助tidyr和dplyr包的组合工具，轻松按分组（这里是id）生成连续的年份序列，同时保留每个分组的固定属性（比如gender），而且完全不会改动原本已经完整或者只有单条记录的组。

步骤1：准备数据与加载依赖包 #

首先我们先定义你的原始数据，然后加载需要的包（如果没安装过，先运行安装命令）：

# 安装所需包（首次使用时运行）
# install.packages(c("tidyr", "dplyr"))

# 加载包
library(tidyr)
library(dplyr)

# 你的原始数据
id <- c(rep(1,5), rep(2,5), rep(3,4), rep(4,2), rep(5, 1))
year <- c(1990,1991,1992,1993,1994,1990,1991,1992,1993,1994,1990,1991,1992,1994,1990,1994, 1994)
gender <- c(rep("female", 5), rep("male", 5), rep("male", 4), rep("female", 2), rep("male", 1))
dat <- data.frame(id,year,gender)

步骤2：补全连续序列并填充属性 #

用链式操作一步完成需求：

dat_complete <- dat %>%
  # 按id分组，确保每个id单独处理
  group_by(id) %>%
  # 为每个id生成从最早到最晚年份的连续序列
  complete(year = full_seq(year, 1)) %>%
  # 填充gender列（每个id的gender是固定的，用已有值填补NA）
  fill(gender, .direction = "downup") %>%
  # 取消分组，恢复普通数据框格式
  ungroup()

# 查看最终结果
print(dat_complete)

代码解释 #

• group_by(id)：把数据按id拆分，后续所有操作都针对单个id的子集进行。
• complete(year = full_seq(year, 1))：full_seq()会自动识别当前id的年份范围，生成该范围内所有连续的整数年份；complete()则会为这些缺失的年份创建新行，此时新行的gender会是NA。
• fill(gender, .direction = "downup")：因为每个id的gender是唯一固定的，所以用fill()把NA值替换为该id已有的gender值，downup方向确保不管缺失行在前面还是后面都能被正确填充。
• ungroup()：结束分组操作，让数据回到常规的结构。

基础R替代方案（无需Tidyverse） #

如果你偏好基础R语法，也可以通过以下方式实现：

# 建立id与gender的映射关系
gender_map <- unique(dat[, c("id", "gender")])

# 为每个id生成完整的年份序列
year_list <- tapply(dat$year, dat$id, function(x) seq(min(x), max(x), by = 1))

# 生成完整的id-year组合
full_data <- expand.grid(id = as.numeric(names(year_list)), year = unlist(year_list))

# 匹配gender
full_data$gender <- gender_map$gender[match(full_data$id, gender_map$id)]

# 按id和year排序
full_data <- full_data[order(full_data$id, full_data$year), ]
rownames(full_data) <- NULL

# 查看结果
print(full_data)

两种方法最终都会得到你预期的结果：id3补全1993年的记录，id4补全1991-1993年的记录，id1、2保持原有完整序列，id5仅保留1994年的单条记录。

内容的提问来源于stack exchange，提问作者johnny