使用data.table为分组缺失的Variable_codes_2022生成递增编码

核心逻辑 #

按Survey分组，提取每组已存在编码的数字部分，找到最大值后，给该组的NA行分配从最大值+1开始的递增编码，拼接对应分组的前缀字符即可。

具体代码 #

library(data.table)
dat <- fread("Survey Variable_codes_2022
              D       D1
              A       A1
              B       B1
              B       B3
              B       B2
              E       E1
              B       NA
              E       NA")

# 按Survey分组填充NA编码
dat[, {
  # 提取现有非NA编码的数字部分并转成整数
  existing_digits <- as.integer(gsub("[^0-9]", "", Variable_codes_2022[!is.na(Variable_codes_2022)]))
  # 确定当前组的最大数字（无现有编码时默认0）
  max_digit <- if (length(existing_digits) == 0) 0 else max(existing_digits)
  # 定位NA行并生成新编码
  na_pos <- which(is.na(Variable_codes_2022))
  if (length(na_pos) > 0) {
    new_codes <- paste0(Survey[1], max_digit + seq_along(na_pos))
    Variable_codes_2022[na_pos] <- new_codes
  }
  .SD
}, by = Survey]

代码说明 #

1. 分组处理：通过by = Survey确保每个分组独立计算，不会互相干扰
2. 提取数字：用gsub("[^0-9]", "", ...)过滤掉编码中的非数字字符，再转成整数类型，不管原编码数字的排列顺序，只取最大值作为起始点
3. 生成新编码：对每组的NA行，按顺序生成最大值+1、最大值+2...的数字，拼接分组前缀（如B、E）后替换NA值

内容的提问来源于stack exchange，提问作者Tom