在R中合并含缺失值的数据集：多ID列匹配与缺失值补全

问题描述 #

需要以df1为主表，与df2执行左连接，满足以下要求：

• 优先通过issn字段匹配，匹配失败时再使用journal_title字段；
• 合并后利用两个数据集的非缺失值补全journal_title、issn列的缺失值，并获取rank字段信息。

模拟数据 #

df1 <- tibble(journal_title = c(NA, 
                           "Journal of yyy",
                           "Journal of zzz"),
         issn = c(9999, 1234, NA))

df2 <- tibble(journal_title = c("Journal of xxx", NA, "Journal of zzz"),
              issn = c(9999, 1234, 8888),
              rank = c(1,2,3))

目标结果 #

df3 <- tibble(journal_title = c("Journal of xxx", "Journal of yyy", "Journal of zzz"),
              issn = c(9999, 1234, 8888),
              rank = c(1,2,3))

解决方案 #

可以通过分步连接+缺失值合并的方式实现需求，以下提供两种可行方案：

方案一：分步连接后合并结果 #

核心思路是先通过issn完成匹配，再对未匹配的行用journal_title补连，最后合并补全缺失值：

library(dplyr)

# 1. 通过issn左连接，标记匹配类型
join_issn <- df1 %>%
  left_join(df2, by = "issn", suffix = c("_df1", "_df2")) %>%
  mutate(match_type = ifelse(!is.na(rank), "issn", NA))

# 2. 提取未匹配行，通过journal_title左连接
join_title <- join_issn %>%
  filter(is.na(match_type)) %>%
  select(journal_title_df1, issn_df1) %>%
  rename(journal_title = journal_title_df1, issn = issn_df1) %>%
  left_join(df2, by = "journal_title", suffix = c("_df1", "_df2")) %>%
  mutate(match_type = "title")

# 3. 合并结果并补全缺失值
result <- bind_rows(join_issn %>% filter(!is.na(match_type)), join_title) %>%
  mutate(
    journal_title = coalesce(journal_title_df1, journal_title_df2),
    issn = coalesce(issn_df1, issn_df2)
  ) %>%
  select(journal_title, issn, rank)

# 查看结果
result

方案二：嵌套连接+直接补全（更紧凑） #

通过两次左连接分别获取issn和journal_title匹配的结果，再用coalesce优先保留优先级高的匹配值：

library(dplyr)

result <- df1 %>%
  # 第一次连接：通过issn匹配
  left_join(df2, by = "issn", suffix = c("", "_issn")) %>%
  # 第二次连接：为未匹配行补充journal_title匹配的rank
  left_join(df2 %>% select(journal_title, rank_title = rank), 
            by = "journal_title") %>%
  # 补全各字段：优先取issn连接结果，再取title连接结果
  mutate(
    journal_title = coalesce(journal_title, journal_title_issn),
    issn = coalesce(issn, issn_issn),
    rank = coalesce(rank, rank_title)
  ) %>%
  # 保留目标列
  select(journal_title, issn, rank)

# 查看结果
result

两种方案执行后均会输出与目标df3完全一致的结果。

内容的提问来源于stack exchange，提问作者T. C. Nobel