如何基于多列匹配从另一数据框填充df1中的NA值（R语言）

问题根源 #

你用left_join后出现重复行，是因为df2中存在Name、Surname、DOB三列的组合不唯一（同一组姓名+生日对应多个ID），导致匹配后每一个重复ID都会对应df1的一行，最终行数增加。

步骤1：清理df2，确保匹配组合唯一 #

首先要确保df2里每个(Name, Surname, DOB)组合只对应一个ID。先检查重复项，再去重：

library(dplyr)

# 检查df2中是否有重复的匹配组合
df2_duplicates <- df2 %>%
  group_by(Name, Surname, DOB) %>%
  filter(n() > 1)

# 若存在重复，保留每个组合的第一个ID（可根据实际需求调整规则）
df2_clean <- df2 %>%
  distinct(Name, Surname, DOB, .keep_all = TRUE)

步骤2：填充df1的缺失ID #

推荐两种简洁方法，均不会增加行数：

方法一：用rows_update（dplyr 1.0.0及以上版本）

直接匹配更新缺失值，逻辑更直观：

df1_filled <- df1 %>%
  rows_update(
    df2_clean %>% select(Name, Surname, DOB, `ID Number`),
    by = c("Name", "Surname", "DOB"),
    unmatched = "ignore"
  )

• by指定匹配的三列
• unmatched = "ignore"表示只更新能匹配上的行，不处理无匹配的行

方法二：用left_join + coalesce（兼容旧版dplyr）

先关联再合并值，适合版本较低的环境：

df1_filled <- df1 %>%
  left_join(df2_clean, by = c("Name", "Surname", "DOB"), suffix = c("", "_df2")) %>%
  mutate(`ID Number` = coalesce(`ID Number`, `ID Number_df2`)) %>%
  select(-`ID Number_df2`)

• coalesce会优先取df1原有的ID，原ID为NA时才用df2的ID
• 最后删除关联后新增的冗余列

额外注意事项 #

确保三列数据类型完全一致，比如DOB列要统一为Date类型，避免因格式不匹配导致无法正确关联：

# 转换为Date类型（根据你的原始格式调整format参数）
df1$DOB <- as.Date(df1$DOB, format = "%Y-%m-%d")
df2$DOB <- as.Date(df2$DOB, format = "%Y-%m-%d")

内容的提问来源于stack exchange，提问作者raven123