R语言筛选数据框中至少4个非NA违约率的账户ID

现有包含账户ID、五年期违约率（Def）两个字段的数据框，每个ID固定对应5条违约率记录，字段中存在大量缺失值（NA）。
可通过以下R代码生成测试数据：

ID = rep(1:50, each = 5)
def = rnorm(n=250, mean=0.5, sd=0.2)
ind = which(def %in% sample(def, 100))
def[ind] = NA
df = data.frame(ID = ID, Def = def)

生成的测试数据前20行示例：

> head(df, 20)
   ID        Def
1   1 0.39506938
2   1         NA
3   1 0.42946603
4   1         NA
5   1         NA
6   2 0.45125199
7   2 0.40519126
8   2         NA
9   2 0.65082718
10  2         NA
11  3         NA
12  3 0.46132736
13  3 0.06324983
14  3 0.72630862
15  3 0.63996092
16  4 0.72093890
17  4         NA
18  4         NA
19  4 0.61471461
20  4 0.51788498

需求：筛选并输出5条违约率记录中至少4条为非NA值的对应ID编号。

以下提供3种R语言常用实现方式，可根据自己常用的工具链选择：

• 基础R实现（无需加载第三方包）

# 按ID分组统计每个ID下Def字段的非缺失值数量
non_na_stat <- aggregate(
  Def ~ ID, 
  data = df, 
  FUN = function(x) sum(!is.na(x)),
  na.action = NULL # 避免自动剔除带NA的行导致统计错误
)
# 提取非缺失值数量≥4的ID
target_id <- non_na_stat$ID[non_na_stat$Def >= 4]

• dplyr实现（tidyverse工作流常用）

library(dplyr)

target_id <- df %>%
  group_by(ID) %>%
  summarise(non_na_cnt = sum(!is.na(Def)), .groups = "drop") %>%
  filter(non_na_cnt >= 4) %>%
  pull(ID)

• data.table实现（大数据量下性能最优）

library(data.table)

setDT(df)
target_id <- df[, .(non_na_cnt = sum(!is.na(Def))), by = ID][non_na_cnt >= 4, ID]

注：原测试数据生成代码中ind = which(def %in% sample(def, 100))的写法在生成的def值有重复时，会将重复值对应的位置一并设为NA，最终NA数量可能不等于100。如果需要精准随机抽取100个位置设为NA，可替换为ind = sample(1:250, 100)。

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