如何在分组数据中判断两变量是否存在共同值并生成过滤变量？

问题描述 #

需要按group分组，生成新变量desired_filter：若该组内value_A的非NA值与value_B的非NA值存在任意相同值，则组内所有行该变量为TRUE，否则为FALSE。

示例数据：

require(tidyverse)

base <- 
  tibble(
    group = rep(c("A", "B", "C"), each = 4),
    value_A = c("a", NA_character_, "b", NA_character_,
                NA_character_, "c", NA_character_, NA_character_,
                NA_character_, "a", "c", NA_character_),
    value_B = c(NA_character_, "c", NA_character_, NA_character_,
                NA_character_, "c", "b", NA_character_,
                "a", NA_character_, NA_character_, "c")
  )

期望结果：

desired_outcome <- 
  base |>  
  mutate(desired_filter = rep(c(FALSE, TRUE, TRUE), each = 4))

简洁健壮的解决方案 #

直接通过分组后判断两组非NA值的交集是否非空生成目标变量，无需复杂填充或中间变量：

base %>%
  group_by(group) %>%
  mutate(desired_filter = !is_empty(intersect(na.omit(value_A), na.omit(value_B)))) %>%
  ungroup()

等价写法（用any()判断集合交集）：

base %>%
  group_by(group) %>%
  mutate(desired_filter = any(na.omit(value_A) %in% na.omit(value_B))) %>%
  ungroup()

方案说明 #

• na.omit(value_A)提取该组value_A的所有非NA值，intersect()计算其与value_B非NA值的交集
• !is_empty()或any()判断交集是否存在，返回的逻辑值会应用到组内所有行
• 该方法不依赖NA的位置或填充逻辑，适用于所有NA分布场景，比原方案更健壮且代码简洁

原方案的局限性 #

你之前的填充方案依赖fill()将NA替换为最近的非NA值，这种方式在组内value_B存在多个不同非NA值时，无法覆盖所有可能的交集情况，可能导致错误判断。而直接基于集合交集的方法则避免了这个问题。

内容的提问来源于stack exchange，提问作者Rich.a.rd