如何在R数据集内按特定规则创建关联匹配行的新变量var7

原始数据集 #

df <- 
  data.frame(var1 = rep(LETTERS[1:3],
                        each = 4), 
             var2 = rep(LETTERS[4:6], 
                        each = 2), 
             var3 = c('F', 'F', 'F', 'F', 'G', 'G'), 
             var4 = c('H', 'H', 'I', 'I', 'L', 'L'), 
             var5 = c('M', 'N', 'O', 'N', 'M', 'P', 'M', 'N', 'O', 'N', 'M', 'N'), 
             var6 = c('x', 'y', 'x', 'y', 'x', 'y'), 
             var7 = c('', '', '', '', '', '')) 

匹配填充规则 #

• 按var1、var2、var3、var4分组，组内对比行对：若两行的var5和var6均不同，则视为匹配，为这两行分配相同的唯一var7值建立关联。
• 若某一行存在多个匹配项（如与两个var5不同的行匹配），则复制该行，为每个复制行及对应匹配行分配唯一var7值。
• 若两行的分组字段（var1/var2/var3/var4）不同，或var6相同，则不匹配，不操作。

期望结果 #

df2 <- 
  data.frame(var1 = rep(LETTERS[1:3],
                        each = 4), 
             var2 = rep(LETTERS[4:6],
                        each = 2), 
             var3 = c('F', 'F', 'F', 'F', 'G', 'G'), 
             var4 = c('H', 'H', 'I', 'I', 'L', 'L'), 
             var5 = c('M', 'N', 'O', 'N', 'M', 'P', 'M', 'N', 'O', 'N', 'M', 'N'),
             var6 = c('x', 'y', 'x', 'y', 'x', 'y'), 
             var7 = c('1', '1', '2', '2', '3', '3', '4', '4', '5', '5', '6', '6')) 

解决方案 #

结合dplyr和tidyr实现，核心逻辑是先分组匹配，再处理多匹配的复制行，最后映射唯一ID：

library(dplyr)
library(tidyr)
library(purrr)

result <- df %>%
  # 按指定字段分组
  group_by(var1, var2, var3, var4) %>%
  # 为每行找出所有符合条件的匹配行索引
  mutate(row_num = row_number(),
         matches = map(row_num, ~{
           current <- cur_data()[.x,]
           filter(cur_data(), var6 != current$var6, var5 != current$var5) %>%
             pull(row_num)
         })) %>%
  # 拆分多匹配情况，自动复制行
  unnest(matches, keep_empty = FALSE) %>%
  # 避免同一匹配对重复处理
  filter(row_num < matches) %>%
  # 生成唯一匹配ID
  mutate(var7 = as.character(row_number())) %>%
  # 关联回原数据，把ID映射到匹配的两行
  right_join(df %>% mutate(row_num = row_number()), 
             by = c("var1", "var2", "var3", "var4", "var5", "var6", "row_num")) %>%
  left_join(select(., matches, var7), 
            by = c("row_num" = "matches"), 
            suffix = c("", "_match")) %>%
  # 统一填充var7值
  mutate(var7 = coalesce(var7, var7_match)) %>%
  # 整理格式，恢复原数据顺序
  select(-matches, -row_num, -var7_match) %>%
  arrange(match(var1, LETTERS[1:3]), match(var2, LETTERS[4:6]), var3, var4, var5, var6)

关键逻辑说明 #

• 分组后用map遍历每行，精准筛选符合var6不同+var5不同的匹配行；
• 多匹配时通过unnest自动拆分复制行，满足一对多的匹配需求；
• 用row_num < matches过滤重复匹配对，避免同一组内的行对被重复赋值；
• 两次关联操作把唯一ID同步到匹配的两行，确保关联关系正确。

内容的提问来源于stack exchange，提问作者Lorenzo