如何在长格式数据集中对比多行数据生成新变量Aim

我有如下长格式数据集：

每个对象在2022年基于当年地址有对应的Classification，其他年份该字段为NA。我希望将2022年的分类推广至其他年份：若其他年份的地址与该对象2022年的地址相同，则将对应Classification的NA替换为2022年的分类值，最终得到含Aim列的数据集：

我曾尝试转为宽格式用dplyr处理，但因NA值问题未成功，现寻求更优实现方法。

使用dplyr的分组+条件判断即可实现，无需转宽格式，具体步骤如下：

1. 按ID分组，提取每个ID在2022年的地址和分类作为参考值；
2. 对每一行做条件判断：2022年的行直接取Classification作为Aim；其他年份若地址匹配该ID2022年的地址，则取2022年的分类值，否则保持NA。

代码实现 #

library(dplyr)

# 构造原始数据集（如果已有数据集可跳过这部分）
df <- tibble(
  ID = c(1,1,1,2,2,2,3,3,3,4,4,4),
  year = c(2020,2021,2022,2020,2021,2022,2020,2021,2022,2020,2021,2022),
  Address = c("A","A","B","C","D","F","G","G","G","H","I","H"),
  Classification = c(NA,NA,"B_",NA,NA,"F_",NA,NA,"G_",NA,NA,"H_")
)

# 生成目标数据集
result <- df %>%
  group_by(ID) %>%
  mutate(
    # 提取当前ID2022年的地址和分类作为参考
    ref_addr = first(Address[year == 2022]),
    ref_class = first(Classification[year == 2022]),
    # 按规则生成Aim列
    Aim = case_when(
      year == 2022 ~ Classification,
      Address == ref_addr ~ ref_class,
      TRUE ~ NA_character_
    )
  ) %>%
  # 移除临时参考列
  select(-ref_addr, -ref_class) %>%
  ungroup()

print(result)

代码说明 #

• group_by(ID)：确保每个ID的参考值独立计算，不互相干扰；
• ref_addr和ref_class：通过first()提取每个ID2022年的唯一地址和分类值；
• case_when()：多条件分支处理，优先级从高到低：先处理2022年的行，再匹配地址，最后默认返回NA；
• select()：清理临时生成的参考列，保持结果数据结构整洁。

运行代码后即可得到目标数据集。

内容的提问来源于stack exchange，提问作者Tormod