基于seq列范围填充DataFrame中id列的缺失值

问题背景 #

现有如下R DataFrame：

df <- structure(list(group = c("A", "A", "A", "A", "A", "A", "A", "A", 
"A", "A", "A", "A", "A", "A", "A", "A", "A", "A", "A", "A", "A", 
"A", "B", "B", "B", "B", "B", "B", "B", "B", "B", "B", "B", "B", 
"B", "B", "B", "B", "B", "B", "B", "B", "B", "B"), seq = c(-5, 
-4, -3, -2, -1, 0, 1, 2, 3, 4, 5, -5, -4, -3, -2, -1, 0, 1, 2, 
3, 4, 5, -5, -4, -3, -2, -1, 0, 1, 2, 3, 4, 5, -5, -4, -3, -2, 
-1, 0, 1, 2, 3, 4, 5), id = c(NA, NA, NA, 1, 1, NA, NA, NA, NA, 
NA, NA, NA, NA, NA, NA, NA, NA, 5, NA, NA, NA, NA, NA, 8, 8, 
8, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, 
4, NA, NA)), class = "data.frame", row.names = c(NA, -44L))

数据预览：

group seq id
1      A  -5 NA
2      A  -4 NA
3      A  -3 NA
4      A  -2  1
5      A  -1  1
6      A   0 NA
7      A   1 NA
8      A   2 NA
9      A   3 NA
10     A   4 NA
11     A   5 NA
12     A  -5 NA
13     A  -4 NA
14     A  -3 NA
15     A  -2 NA
16     A  -1 NA
17     A   0 NA
18     A   1  5
19     A   2 NA
20     A   3 NA
21     A   4 NA
22     A   5 NA
23     B  -5 NA
24     B  -4  8
25     B  -3  8
26     B  -2  8
27     B  -1 NA
28     B   0 NA
29     B   1 NA
30     B   2 NA
31     B   3 NA
32     B   4 NA
33     B   5 NA
34     B  -5 NA
35     B  -4 NA
36     B  -3 NA
37     B  -2 NA
38     B  -1 NA
39     B   0 NA
40     B   1 NA
41     B   2 NA
42     B   3  4
43     B   4 NA
44     B   5 NA

需求是：每个group内的seq以-5到5为一个循环块，将每个块内的id缺失值用该块中已有的非NA值填充，期望输出如下：

group seq id
1      A  -5  1
2      A  -4  1
3      A  -3  1
4      A  -2  1
5      A  -1  1
6      A   0  1
7      A   1  1
8      A   2  1
9      A   3  1
10     A   4  1
11     A   5  1
12     A  -5  5
13     A  -4  5
14     A  -3  5
15     A  -2  5
16     A  -1  5
17     A   0  5
18     A   1  5
19     A   2  5
20     A   3  5
21     A   4  5
22     A   5  5
23     B  -5  8
24     B  -4  8
25     B  -3  8
26     B  -2  8
27     B  -1  8
28     B   0  8
29     B   1  8
30     B   2  8
31     B   3  8
32     B   4  8
33     B   5  8
34     B  -5  4
35     B  -4  4
36     B  -3  4
37     B  -2  4
38     B  -1  4
39     B   0  4
40     B   1  4
41     B   2  4
42     B   3  4
43     B   4  4
44     B   5  4

解决方案 #

使用dplyr包可以高效实现该需求，步骤如下：

1. 按group分组，识别每个seq循环块（以seq == -5作为块的起始标记）
2. 在每个块内，用块中唯一的非NA值填充所有id的缺失

代码实现：

library(dplyr)

# 填充缺失值
df_filled <- df %>%
  group_by(group) %>%
  # 生成块分组标记：每次seq为-5时累加，区分不同循环块
  mutate(block = cumsum(seq == -5)) %>%
  group_by(group, block) %>%
  # 用块内第一个非NA的id值替换整个块的id
  mutate(id = first(na.omit(id))) %>%
  ungroup() %>%
  # 移除临时的block列
  select(-block)

# 查看填充后的结果
print(df_filled)

代码说明 #

• group_by(group)：保证不同group的块处理独立
• cumsum(seq == -5)：生成递增的块编号，每个从-5开始的序列被分到同一个块
• first(na.omit(id))：提取块内所有非NA的id值（假设每个块只有唯一非NA值），并作为整个块的id值
• select(-block)：清理临时生成的块标记列

补充说明 #

如果每个块内可能存在多个不同的非NAid值，需要先确认数据逻辑，若需取唯一值可改用unique(na.omit(id))，但根据需求描述，每个块应只有一个有效id值，因此上述代码适用。

内容的提问来源于stack exchange，提问作者Quinten