R语言删除分组全缺失行并合并两组数据的方法咨询

核心可用函数 #

• 基础R内置函数：is.na()、rowSums()、rbind()，无需安装第三方包，兼容性强，运行速度快
• Tidyverse生态函数：dplyr::filter()、dplyr::across()、tidyr::pivot_longer()，代码可读性高，适合流程化数据处理

行筛选核心判定规则：对每一行记录，前3列（第1组）至少存在1个非缺失值，同时后3列（第2组）至少存在1个非缺失值，任意一组整行全缺失的记录直接剔除。

方案1：基础R实现（无依赖，最稳妥） #

先构造和需求匹配的测试数据，方便验证逻辑：

# 构造测试数据集：共6列，包含组内全缺失、双组全缺失的异常行
set.seed(123)
df <- data.frame(
  g1_1 = c(NA, 2, 3, NA, 5),
  g1_2 = c(NA, NA, 3, NA, 5),
  g1_3 = c(NA, 2, NA, NA, 5),
  g2_1 = c(1, NA, 3, NA, 5),
  g2_2 = c(1, 2, NA, NA, NA),
  g2_3 = c(1, 2, 3, NA, 5)
)

执行行筛选：

# 统计每行第1组（1-3列）的非缺失值数量
g1_valid_count <- rowSums(!is.na(df[, 1:3]))
# 统计每行第2组（4-6列）的非缺失值数量
g2_valid_count <- rowSums(!is.na(df[, 4:6]))
# 保留符合规则的行
df_filtered <- df[g1_valid_count >= 1 & g2_valid_count >= 1, ]

完成两组数据合并（两组列结构一致，按长表拼接）：

# 拆分两组数据，统一列名后添加分组标识
set1 <- df_filtered[, 1:3]
set1$group_tag <- "group1"
set2 <- df_filtered[, 4:6]
colnames(set2) <- colnames(set1)[1:3]
set2$group_tag <- "group2"
# 纵向合并
df_merged <- rbind(set1, set2)

方案2：Tidyverse实现（代码简洁，适合流水线作业） #

library(dplyr)
library(tidyr)

df_merged <- df %>%
  # 按规则筛选行
  filter(
    rowSums(!is.na(across(1:3))) >= 1,
    rowSums(!is.na(across(4:6))) >= 1
  ) %>%
  # 一键转换长表完成两组合并，无需手动拆分对齐列名
  pivot_longer(
    cols = everything(),
    names_to = c("group_tag", "col_serial"),
    names_sep = "_",
    values_to = "obs_value"
  )

常见踩坑提示 #

• 不要误用complete.cases()做筛选：该函数会剔除存在任意缺失值的行，和“组内至少1个非缺失值即保留”的需求完全不符，是之前代码达不到预期的最常见原因
• 如果实际数据两组列数、列位置有变化，只要把代码里的列索引1:3、4:6替换为对应分组的列名向量即可，逻辑无需调整

内容的提问来源于stack exchange，提问作者KABILAN