R语言如何筛选每个student_id对应English和Spanish测试各1条观测值

问题描述 #

我有如下数据框：

student_id <- c(1,1,1,2,2,2)
test_score <- c(100, 90, 80, 100, 70, 90)
test_type <- c("English", "English", "English", "Spanish", "Spanish", "Spanish")
time_period <- c(1, 0, 1, 0, 1, 0)
df <- data.frame(student_id, test_score, test_type, time_period)

我需要筛选观测值，实现每个student_id都有English和Spanish测试各一条记录，我尝试了如下代码：

df <- df %>%
group_by(student_id, test_type) %>%
dplyr::filter(row_number() == 1)

但运行后仅返回English测试的相关结果，请问如何实现每个student_id的English和Spanish测试各返回一条观测值？

解答 #

问题原因 #

你给出的示例数据集本身存在测试类型缺失：student_id=1的所有观测都只有English测试记录，没有Spanish测试记录；student_id=2的所有观测都只有Spanish测试记录，没有English测试记录。你原有代码按student_id和test_type分组后取每组第一条，自然只会返回每个学生已有的测试类型的第一条记录，无法同时返回两种测试类型的结果。

解决方法 #

分两种常见场景选择对应方案：

场景1：你的完整数据集里每个学生实际有两种测试类型的记录，示例数据是简化版本

你原有代码的逻辑本身是成立的，只需要根据你的业务需求调整组内排序规则，确保取到的第一条是你需要的记录即可，比如要取time_period最新的记录可以这么写：

library(dplyr)
df <- df %>%
  group_by(student_id, test_type) %>%
  # 按组内time_period降序排序，取最新的一条记录
  arrange(desc(time_period), .by_group = TRUE) %>%
  filter(row_number() == 1) %>%
  ungroup()

场景2：需要强制给每个学生补全两种测试类型的记录，缺失的记录留空/填默认值

可以搭配tidyr::complete补全学生和测试类型的全组合，再按分组取数：

library(dplyr)
library(tidyr)
df_result <- df %>%
  # 补全所有student_id和test_type的组合
  complete(student_id, test_type) %>%
  group_by(student_id, test_type) %>%
  filter(row_number() == 1) %>%
  ungroup()

内容的提问来源于stack exchange，提问作者epi-rmeister