R语言：按分组ID统一除唯一ID外的字段值并清理数据

针对你的需求，我们可以通过分组统计基准值的方式，识别并替换分组内不一致的行，同时处理缺失值。下面提供dplyr（常规数据量）和data.table（大数据量）两种实现方式：

方法一：使用dplyr（适合常规数据规模） #

步骤1：定义分组基准值提取函数 #

这里选择**众数（分组内出现次数最多的非缺失值）**作为统一值，你可以根据需求调整逻辑：

get_mode <- function(x) {
  # 过滤缺失值
  x_clean <- x[!is.na(x)]
  # 若组内全为NA则返回NA
  if (length(x_clean) == 0) return(NA)
  # 计算各值出现次数，返回次数最多的
  unique_vals <- unique(x_clean)
  unique_vals[which.max(tabulate(match(x_clean, unique_vals)))]
}

步骤2：识别不一致行并替换 #

library(dplyr)

# 加载原始数据
df <- data.frame(id = c(1:10),
                 title = c("abc", "aac", "abc", "def", "def", "dde", "ghi", NA, "jkl", "mno"), 
                 id2 = c(1,1,1,2,2,2,3,4,4,5))

# 分组标记不一致行并生成基准值
df_processed <- df %>%
  group_by(id2) %>%
  mutate(
    group_title = get_mode(title),  # 生成分组统一的title
    # 标记需要修正的行：缺失值或与基准值不符的行
    is_inconsistent = is.na(title) | (title != group_title)
  ) %>%
  ungroup()

# 替换得到目标数据框df2
df2 <- df_processed %>%
  mutate(title = group_title) %>%
  select(-group_title, -is_inconsistent)  # 删除辅助列

方法二：使用data.table（适合大数据量） #

如果你的数据量级很大，data.table的分组运算效率会更高：

library(data.table)

# 转换为data.table格式
setDT(df)

# 复用众数函数
get_mode <- function(x) {
  x_clean <- x[!is.na(x)]
  if (length(x_clean) == 0) return(NA)
  unique_vals <- unique(x_clean)
  unique_vals[which.max(tabulate(match(x_clean, unique_vals)))]
}

# 分组计算基准值、标记不一致行并替换
df[, group_title := get_mode(title), by = id2]
df[, is_inconsistent := is.na(title) | (title != group_title)]
df2 <- df[, .(id, title = group_title, id2)]

自定义基准值逻辑 #

如果分组内没有明确的众数（多个值出现次数相同），可以替换基准值的选择逻辑：

• 取分组内第一个非缺失值：

  get_first_non_na <- function(x) {
    x[!is.na(x)][1]
  }
  

• 取分组内字典序最小的非缺失值：

  get_min_val <- function(x) {
    x_clean <- x[!is.na(x)]
    if (length(x_clean) == 0) return(NA)
    min(x_clean)
  }
  

将上述函数替换代码中的get_mode即可适配不同需求。

内容的提问来源于stack exchange，提问作者H.Stevens