R语言左连接后按规则筛选重复匹配结果的实现方法

针对你的需求，我们可以通过分组分析每个物种名称的匹配情况，结合规则筛选符合要求的记录。以下是修正后的代码：

library(dplyr)

# 原始数据定义
plant_data <- data.frame(scientific_name = c("CAREX FOENEA", 
                                             "CAREX SICCATA", "CAREX FOENEA", 
                                             "ABIES BIFOLIA", "ABIES MENZIESII", 
                                             "CAREX ECHINATA", "CAREX MURICATA",
                                             "CAREX ANGUSTIOR", "CAREX MURICATA"),
                         name_origin = c("scientific_name", 
                                         "scientific_name", "synonym", 
                                         "scientific_name", "synonym",
                                         "scientific_name", "synonym",
                                         "scientific_name", "synonym"),
                         id = c(1, 2, 2, 3, 3, 4, 4, 5, 5))

plant_names <- data.frame(scientific_name = c("CAREX FOENEA", "CAREX FOENEA", 
                                              "ABIES MENZIESII", "ABIES MENZIESII", 
                                              "CAREX MURICATA"))

# 执行左连接
joined_df <- left_join(plant_names, plant_data, by = "scientific_name")

# 按规则清洗数据
cleaned_df <- joined_df %>%
  group_by(scientific_name) %>%
  mutate(
    # 标记当前物种是否存在主名记录
    has_scientific_name = any(name_origin == "scientific_name"),
    # 统计当前物种对应的唯一ID数量
    unique_id_count = n_distinct(id)
  ) %>%
  filter(
    # 规则1：存在主名时，仅保留主名记录
    (has_scientific_name & name_origin == "scientific_name") |
    # 规则2+3：无主名时，仅当所有匹配记录对应同一ID时保留（同时保留原plant_names的重复）
    (!has_scientific_name & unique_id_count == 1)
  ) %>%
  ungroup() %>%
  # 移除临时计算的列
  select(-has_scientific_name, -unique_id_count)

# 查看结果
print(cleaned_df)

代码说明 #

1. 分组标记关键信息：按物种名称分组后，我们标记两个关键指标：
   • has_scientific_name：该物种是否存在主名记录
   • unique_id_count：该物种对应的唯一ID数量
2. 规则筛选：
   • 若存在主名，只保留主名类型的记录（满足规则1）
   • 若不存在主名，仅当所有匹配记录对应同一个ID时保留（满足规则2：多ID异名全部删除；规则3：原plant_names的重复记录保留）

运行结果 #

# A tibble: 4 × 3
  scientific_name     name_origin    id
  <chr>               <chr>        <dbl>
1 CAREX FOENEA        scientific_name    1
2 CAREX FOENEA        scientific_name    1
3 ABIES MENZIESII     synonym            3
4 ABIES MENZIESII     synonym            3

内容的提问来源于stack exchange，提问作者ifoxfoot