在R语言成对DataFrame中通过列匹配条件创建新列并汇总数据

需求说明 #

需要基于数据框中第4列和第6列的条件匹配创建新列（第9列），规则如下：

• 若第4列为NA，新列取第6列的值
• 若第6列为NA，新列取第4列的值
• 若两列值相同，新列取该值
• 若两列值不同，复制该行并分别将新列设为第4列和第6列的值
  最终按Method和Cluster分组，汇总relation的均值以及GenA的唯一值数量。

原代码存在的问题 #

1. 循环索引错误：length(probe)返回数据框的列数，遍历行应该用nrow(probe)
2. 条件判断无互斥：多个独立if会依次执行，可能覆盖之前的赋值结果
3. 语法与逻辑错误：最后一个if位于循环外部，i的取值不符合预期；复制行的代码rep(probe[i,1:9]%>%probe[i,9]<-probe[i,6}完全不符合R语法
4. 汇总代码不规范：summarise中的均值未命名，后续使用不便；length(unique(GenA))可替换为更高效的n_distinct()

修正后的代码 #

# 加载dplyr包（如果未安装先执行 install.packages("dplyr")）
library(dplyr)

# 初始化Cluster列
probe$Cluster <- "cluster"

# 第一步：处理NA和两列值相同的情况，标记需要拆分的行
probe <- probe %>%
  mutate(temp_col = case_when(
    is.na(.[[4]]) ~ .[[6]],
    is.na(.[[6]]) ~ .[[4]],
    .[[4]] == .[[6]] ~ .[[4]],
    TRUE ~ NA_character_  # 两列值不同时标记为NA，后续拆分
  ))

# 第二步：拆分两列值不同的行
split_rows <- probe %>% filter(is.na(temp_col))
split_rows1 <- split_rows %>% mutate(temp_col = .[[4]])
split_rows2 <- split_rows %>% mutate(temp_col = .[[6]])

# 合并处理后的数据
probe_processed <- probe %>%
  filter(!is.na(temp_col)) %>%
  bind_rows(split_rows1, split_rows2)

# 将临时列赋值到第9列
probe_processed[[9]] <- probe_processed$temp_col

# 第三步：按要求汇总数据
Sum <- probe_processed %>%
  group_by(Method, Cluster) %>%
  summarise(
    mean_relation = mean(relation, na.rm = FALSE),  # 保留NA，若需忽略NA可改为TRUE
    number_observations = n_distinct(GenA)
  ) %>%
  data.frame()

说明 #

• 用case_when()替代循环，更符合R的向量化操作逻辑，效率更高
• 拆分不同值的行时，通过提取、复制、合并的方式实现，避免循环出错
• n_distinct()是dplyr中专门用于计算唯一值数量的函数，比length(unique())更高效

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