按ID聚合数据：将不一致列替换为'missing'的R技术问题

需求说明 #

按ID对多观测数据进行聚合，规则如下：

• 若同一ID下某字段的所有观测值完全一致，保留该值
• 若存在不一致，将该字段值替换为missing

原始数据 #

ID <- c("1234", "1234", "1242", "1456", "1234", "1242", "1234", "1234")
MEMBER_GENDER <- c("M", "M","F", "F", "M", "M", "M", "M")
RELATIONSHIP_TYPE_CODE <- c("1","1", "2", "3", "3", "2", "4" ,"3")
data <- data.frame(cbind(ID,MEMBER_GENDER, RELATIONSHIP_TYPE_CODE))

原始数据展示：

ID MEMBER_GENDER RELATIONSHIP_TYPE_CODE
1 1234             M                      1
2 1234             M                      1
3 1242             F                      2
4 1456             F                      3
5 1234             M                      3
6 1242             M                      2
7 1234             M                      4
8 1234             M                      3

期望结果 #

ID2 <- c("1234", "1242", "1456")
MEMBER_GENDER2 <- c("M", "missing", "F")
RELATIONSHIP_TYPE_CODE2 <- c("missing", "2", "3")
data2 <- data.frame(cbind(ID2,MEMBER_GENDER2, RELATIONSHIP_TYPE_CODE2))

期望结果展示：

ID2 MEMBER_GENDER2 RELATIONSHIP_TYPE_CODE2
1 1234             M                missing
2 1242       missing                      2
3 1456             F                      3

当前尝试的问题 #

使用aggregate(.~ID, data=data, FUN=unique)得到的结果中，多值字段以逗号分隔，无法直接替换为missing：

ID MEMBER_GENDER RELATIONSHIP_TYPE_CODE
1 1234             M                1, 3, 4
2 1242          F, M                      2
3 1456             F                      3

解决方案 #

方法1：使用dplyr包（语法直观，推荐） #

先安装并加载dplyr，按ID分组后对每个字段判断唯一值数量：

# 安装并加载dplyr
install.packages("dplyr")
library(dplyr)

data_result <- data %>%
  group_by(ID) %>%
  summarise(
    MEMBER_GENDER = ifelse(n_distinct(MEMBER_GENDER) == 1, first(MEMBER_GENDER), "missing"),
    RELATIONSHIP_TYPE_CODE = ifelse(n_distinct(RELATIONSHIP_TYPE_CODE) == 1, first(RELATIONSHIP_TYPE_CODE), "missing")
  )

# 查看结果
data_result

运行结果：

# A tibble: 3 × 3
  ID    MEMBER_GENDER RELATIONSHIP_TYPE_CODE
  <chr> <chr>         <chr>                 
1 1234  M             missing               
2 1242  missing       2                     
3 1456  F             3                     

方法2：使用Base R实现 #

自定义聚合函数，判断唯一值数量后返回对应结果：

# 定义聚合函数
agg_func <- function(x) {
  unique_vals <- unique(x)
  if (length(unique_vals) == 1) {
    return(unique_vals)
  } else {
    return("missing")
  }
}

# 应用聚合函数
data_result_base <- aggregate(. ~ ID, data = data, FUN = agg_func)

# 查看结果
data_result_base

运行结果：

ID MEMBER_GENDER RELATIONSHIP_TYPE_CODE
1 1234             M                missing
2 1242       missing                      2
3 1456             F                      3

内容的提问来源于stack exchange，提问作者Rachel Parent