基于时间变量提取各分组首个非NA值的实现方法

问题背景 #

处理时间序列数据时，需按id分组，提取每个变量按时间排序后首个出现的非NA值。使用tidyverse的across函数尝试实现，但原代码返回了不必要的NA，未达预期效果。

可运行示例数据 #

library(tidyverse)

df <- tibble(
  id = c("a","a","b","b","c","c"), 
  time = c(2,3,1,3,3,5), 
  val1 = c(NA,"x","y",NA,NA,"w"), 
  val2 = c("x",NA,"y","w",NA,"q")
)

原代码问题 #

原代码取每个组内time最小的行对应的变量值，但该行的变量可能为NA，导致结果不符合需求：

df %>% 
  group_by(id)%>%  
  summarise(across(starts_with('val'), ~ .x[which.min(time)]))

原代码返回结果（含NA）

# A tibble: 3 x 3
  id    val1  val2 
  <chr> <chr> <chr>
1 a     NA    x    
2 b     y     y    
3 c     NA    NA   

期望结果

# A tibble: 3 x 3
  id    val1  val2 
  <chr> <chr> <chr>
1 a     x     x    
2 b     y     y    
3 c     w     q    

解决方案 #

核心思路是先按组内时间升序排列，再对每个变量提取第一个非NA值，用across批量处理所有val开头的变量：

方法一：过滤NA后取首个值 #

df %>% 
  group_by(id) %>%
  arrange(time, .by_group = TRUE) %>% # 按组内时间从小到大排序
  summarise(across(starts_with("val"), ~ .x[!is.na(.x)][1]))

方法二：用first(na.omit(.x))简化代码 #

df %>% 
  group_by(id) %>%
  arrange(time, .by_group = TRUE) %>%
  summarise(across(starts_with("val"), ~ first(na.omit(.x))))

关键说明 #

• arrange(time, .by_group = TRUE)确保每个组内的行按时间顺序排列，time为Date或POSIXct（datetime）类型时同样适用，无需额外转换。
• 两种方法都会过滤当前变量的NA值，取排序后的第一个非NA值；如果该组变量全为NA，会返回NA（符合逻辑）。

内容的提问来源于stack exchange，提问作者airj