如何在dplyr的summarise_all中移除缺失值并正确汇总数据

问题原因分析 #

• 分组方式错误：你用group_by(df$ID)会额外生成一个名为df$ID的分组列，原ID列仍保留在数据中，这会导致后续汇总时出现重复的ID行和异常值。正确的分组应该直接引用列名group_by(ID)。
• summarise_all用法错误：summarize_all(list, na.rm=TRUE)中的list不是有效的汇总函数，无法提取非缺失值。需要传入能提取单个非NA值的函数——因为你的数据里每个ID的每个genes列仅有一个非缺失值，用first(na.omit(.))或sum(na.rm=TRUE)都能实现需求。

解决方案代码 #

方法1：提取首个非缺失值（逻辑明确） #

library(dplyr)

df1 <- df %>%
  group_by(ID) %>%
  summarize(
    `type of data` = NA_character_, # 按需求设为任意值或NA
    across(starts_with("genes"), ~ first(na.omit(.)))
  ) %>%
  ungroup() # 可选，取消分组状态避免后续操作异常

方法2：用sum汇总（适配单非NA值场景） #

因为每个genes列在同一ID下只有一个非缺失值，sum(na.rm=TRUE)会直接返回该值：

df1 <- df %>%
  group_by(ID) %>%
  summarize(
    `type of data` = first(`type of data`), # 取任意一个type值即可
    across(starts_with("genes"), sum, na.rm = TRUE)
  ) %>%
  ungroup()

输出结果 #

运行后会得到你期望的格式：

ID type of data genes1 genes2 genes3
1  1          <NA>      2      0      2
2  2          <NA>      1      1      1

内容的提问来源于stack exchange，提问作者371.