R dataframe字符行对比：NA匹配任意值并生成分组ID方案

• 先定义匹配规则：两行归为同一组的条件是，所有对应位置的元素要么取值相等，要么至少其中一个为NA
• 按行遍历原始数据，维护已生成分组的模板列表（模板取每个组第一个出现的行的取值）
• 对当前行，依次匹配已有分组的模板，匹配成功则复用该组ID，匹配失败则生成新的连续ID并将当前行存入模板列表

library(tidyverse)

# 定义两行匹配判断函数
is_row_match <- function(row_a, row_b) {
  all((row_a == row_b) | is.na(row_a) | is.na(row_b), na.rm = TRUE)
}

# 遍历生成分组ID
group_templates <- list()
group_ids <- c()
current_max_id <- 0

for (i in seq(nrow(sets))) {
  current_row <- sets[i, ]
  matched_group <- NA
  # 匹配已有分组
  for (g in seq_along(group_templates)) {
    if (is_row_match(current_row, group_templates[[g]])) {
      matched_group <- g
      break
    }
  }
  # 处理匹配结果
  if (is.na(matched_group)) {
    current_max_id <- current_max_id + 1
    matched_group <- current_max_id
    group_templates[[matched_group]] <- current_row
  }
  group_ids <- c(group_ids, paste0("Group", matched_group))
}

# 合并分组ID到原数据
result_df <- sets %>%
  as.data.frame() %>%
  mutate(COMP = group_ids)

Var1 Var2 Var3 Var4   COMP
Set1    A    B    C    A Group1
Set2    A    D    B    A Group2
Set3 <NA>    B    C    A Group1
Set4    A    D    B    A Group2
Set5    F    G <NA>    F Group3
Set6    A    B    C    C Group4

注：你给出的预期示例中Set4归为Group3属于笔误，Set4和Set2所有字段完全一致，按照规则会归为同一Group2，若你有特殊的分组顺序要求可以调整匹配逻辑。

• 当数据量较大（万行以上）时，可以将每行的非NA字段和对应列名组合生成唯一特征键，用命名向量替代列表存储分组映射，匹配效率会有显著提升。

内容的提问来源于stack exchange，提问作者lávà