R语言：如何筛选category列仅含单个'yes'值的分组id

现有如下R语言数据框，需求是筛选出category列中仅包含单个'yes'值的id分组：

data <- data.frame(id=c(1,1,1,1,1,1,2,2,2,2,2,3,3,3,3,3,4,4,4,4,4,5,5,5,5,6,6,6,6,6),
category=c(NA,'no',NA,'yes',NA,'yes',NA,NA,'no',NA,'no','yes',NA,'no','yes','no','no',NA,'no',NA,'yes','no',NA,'yes','no',NA,'no','yes','no','yes'))

期望输出结果：

id category
1  4       no
2  4     <NA>
3  4       no
4  4     <NA>
5  4      yes
6  5       no
7  5     <NA>
8  5      yes
9  5       no

错误尝试 #

本人尝试使用以下dplyr代码实现，但未达到预期效果：

library(dplyr)
data1 <- data %>% 
  group_by(id) %>% 
  filter((cumsum(category == 'yes')<= 1), na.rm=TRUE) %>%
  ungroup

正确解法 #

你的代码逻辑有误：cumsum(category == 'yes')<=1是逐行判断累计'yes'数量是否≤1，而我们需要的是整个id分组内的'yes'总数等于1。正确的做法是先统计每个id的'yes'总数，再筛选总数为1的分组：

library(dplyr)

data1 <- data %>%
  group_by(id) %>%
  # 统计当前id分组内'yes'的数量，na.rm=TRUE忽略NA值的影响
  filter(sum(category == 'yes', na.rm = TRUE) == 1) %>%
  ungroup()

逻辑解释 #

1. group_by(id)：按id字段分组处理数据
2. sum(category == 'yes', na.rm = TRUE)：计算每个分组中'yes'的总数量，na.rm=TRUE确保NA值不会干扰统计结果
3. filter(...) ==1：只保留'yes'总数恰好为1的分组
4. ungroup()：取消分组状态，将结果转为普通数据框格式

运行上述代码后，即可得到符合预期的输出结果。

内容的提问来源于stack exchange，提问作者Mahlet Tadesse