基于多字符串变量的dplyr重复行条件过滤问题求助

这种多规则优先级的去重确实容易踩坑，尤其是当不同变量的判断逻辑嵌套在一起时。我来帮你用dplyr实现完全符合你需求的方案，咱们就从你的模拟数据入手。

首先明确你要遵循的优先级规则，我再梳理一遍确保没理解错：

• 规则1：仅出现一次的人员记录直接保留，不管其他属性；
• 规则2：同一人有多条记录时，优先留**有车（car=1）**的；
• 规则3：都是有车的情况下，优先留**有保险（insurance="yes"）**的；
• 规则4：都有保险的情况下，优先留**全额险（ins_type="full"）**的。

核心思路是给每个记录按规则定义优先级顺序，分组后取每组优先级最高的第一条记录。这里用有序因子来定义各变量的优先级层级，非常直观且容易调整：

library(dplyr)

# 你的模拟数据
id = c(1, 1, 2, 2, 5, 6, 6)
car = c(0, 1, 1, 1, 1, 1, 1)
insurance = c("no", "yes", "yes", "yes", "no", "yes", "yes")
ins_type = c("", "liab", "liab", "full", "", "full", "liab")
df = data.frame(id, car, insurance, ins_type)

# 按优先级去重
df_clean <- df %>%
  group_by(id) %>%
  # 严格按照你的优先级规则排序：
  # 1. 有车在前（car降序）；2. 有保险在前；3. 全额险在前
  arrange(
    desc(car),
    factor(insurance, levels = c("no", "yes"), ordered = TRUE) %>% desc(),
    factor(ins_type, levels = c("", "liab", "full"), ordered = TRUE) %>% desc()
  ) %>%
  # 每组只保留优先级最高的第一条记录
  slice(1) %>%
  ungroup()

# 查看结果
df_clean

运行这段代码后，你会得到符合预期的结果：

# A tibble: 4 × 4
     id   car insurance ins_type
  <dbl> <dbl> <chr>     <chr>   
1     1     1 yes       liab    
2     2     1 yes       full    
3     5     1 no        ""      
4     6     1 yes       full    

咱们来对应规则验证下：

• id=1：两条记录里选了有车且有保险的那条（符合规则2、3）；
• id=2：两条都是有车有保险，选了全额险的（符合规则4）；
• id=5：只有一条记录，直接保留（符合规则1）；
• id=6：两条都是有车有保险，选了全额险的（符合规则4）。

这个方法的优势在于，每个变量的优先级通过因子层级明确定义，后续如果需要调整规则（比如改保险优先级或者新增判断维度），只需要修改factor()里的levels顺序就行，非常灵活。

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