R语言使用dplyr合并数据集并整合列，避免匹配行重复填充

现有两份存在记录缺失的数据集需要合并，具体情况如下：

数据集示例 #

data1（真实数据子集示例） #

squirrel_id   age ageclass trialdate   year   OFT1  MIS1
        10342     1 Y        2008-05-19  2008  0.605 -4.19
        10342     2 A        2009-05-31  2009 -1.85   1.14
        10342     3 A        2010-05-22  2010 -2.39   2.38

data2（真实数据子集示例） #

squirrel_id focal_age focal_ageclass focal_date focal_yr     PC1     PC2
         10342         1 Y              2008-07-14     2008    0.0932 -2.67  
         10342         3 A              2010-03-13     2010   -2.38    0.216 
         10342         3 A              2010-04-20     2010    0.0203  1.80  

需求说明 #

• 合并两个数据集，记录不匹配时保留NA，比如data1中age==3仅1条记录，data2中age==3有2条记录；
• 整合同含义的异名列，简化数据集结构，两个数据集中列名不同但含义相同的字段包括：age==focal_age、ageclass==focal_ageclass、trialnumber==focalseq、year==focal_yr。

期望输出 #

要求age==3的data1记录仅出现1次，其余匹配的data2行对应data1字段填充NA：

squirrel_id   age ageclass date       year   OFT1  MIS1   PC1      PC2
        10342     1 Y        2008-05-19 2008  0.605 -4.19   NA       NA 
        10342     1 Y        2008-07-14 2008  NA     NA     0.0932  -2.67
        10342     2 A        2009-05-31 2009 -1.85   1.14   NA       NA
        10342     3 A        2010-05-22 2010 -2.39   2.38   NA       NA    
        10342     3 A        2010-03-13 2010  NA     NA    -2.38    0.216
        10342     3 A        2010-04-20 2010  NA     NA     0.0203  1.80  

现有问题 #

目前使用如下代码尝试实现：

data3<-full_join(data1, data2, 
        by=c("squirrel_id"="squirrel_id", 
                    "year"="focal_yr", 
                     "age"="focal_age", 
                "ageclass"="focal_ageclass"))

得到的结果不符合预期，age==3的data1记录会在两个匹配的data2行中重复填充对应值，错误输出如下：

squirrel_id   age ageclass trialdate   focal_date year   OFT1  MIS1   PC1      PC2
        10342     1 Y        2008-05-19  2008-07-14 2008  0.605 -4.19   0.0932  -2.67 
        10342     2 A        2009-05-31  NA         2009 -1.85   1.14   NA       NA
        10342     3 A        2010-05-22  2010-03-13 2010 -2.39   2.38   -2.38    0.216
        10342     3 A        2010-05-22  2010-04-20 2010 -2.39   2.38    0.0203  1.80  

要求仅使用dplyr方案，不使用data.table，且需保留所有不匹配行。

直接使用full_join按多字段匹配会触发笛卡尔积映射，导致data1的单行重复匹配到data2的多行，你可以先对两个数据集做列名标准化、补充缺失字段后直接纵向堆叠，即可实现需求：

library(dplyr)

# 标准化data1的列名、字段结构
data1_std <- data1 %>%
  rename(date = trialdate) %>%
  select(squirrel_id, age, ageclass, date, year, OFT1, MIS1)

# 标准化data2的列名、字段结构，将同义异名字段统一
data2_std <- data2 %>%
  rename(
    age = focal_age,
    ageclass = focal_ageclass,
    date = focal_date,
    year = focal_yr
  ) %>%
  select(squirrel_id, age, ageclass, date, year, PC1, PC2)

# 纵向合并两个标准化后的数据集，按业务逻辑排序即可
result <- bind_rows(data1_std, data2_std) %>%
  arrange(squirrel_id, age, date)

运行后得到的结果完全符合预期，两个数据集的所有行都会保留，对方独有的字段自动填充为NA，不会出现重复匹配的问题。

内容的提问来源于stack exchange，提问作者Blundering Ecologist