R语言迭代合并绑定相似结构数据框的方法问询

基础信息 #

• 运行环境：R Studio（R 版本 4.0.3）的 R Markdown 环境
• 核心目标：合并23个结构相似的学期数据框，保留所有行，按学生ID主键匹配，构建跨学期学业结果追踪数据集
• 数据规模：每个学期数据框包含3000-4000条个体观测、45-47个变量；同一学生可在多个学期的数据框中重复出现（例如秋季修读101课程、春季修读102课程）

现存操作问题 #

• 流程报错：直接执行 full_join() 管道传入 filter() 再传入 bind_rows() 的操作时，触发报错：Error: Can't combine ..1$term_codecharacter and..2$term_code integer
• 后缀冗余：多次迭代关联绑定后，非目标列会出现重复后缀（例如 section_code.db、section_code.db.db）

具体需求 #

1. 按ID主键用 dplyr::full_join() 匹配个体，通过 suffix 参数区分不同学期的成绩、term_gpa 等动态数据所属学期
2. 跨学期不变的稳定数据（ACT成绩、性别、州居住身份等）仅保留首次录入值，后期清洗冗余数据也可接受
3. 每学期新增的学生个体条目，在横向关联后追加到数据集底部

现有操作代码 #

学期数据关联示例 #

初始以首个学期SP11数据定义 programmatic_database，选取需关联的列减少稳定数据重复，关联操作代码如下：

programmatic_database <- programmatic_database %>%
  full_join(select(fa12, id, course_code, section_code, grade, term_gpa), by = "id", copy = TRUE, suffix = c(".sp11", ".fa12"), keep = FALSE, name = "id")

新增条目追加示例 #

计划在 full_join() 后过滤已横向关联的条目，将剩余条目通过 bind_rows() 追加到数据集底部，操作代码如下：

programmatic_database <- fa12[!which(fa12$id %in% programmatic_database),] %>% dplyr::bind_rows(programmatic_database, fa12)

可复现示例代码 #

#可复现示例
fa11 <- structure(list(id = c("1001", "1002", "1003", 
"1013"), act6_05_composite = c(33L, 26L, 27L, 25L), course_code = c("101", 
"101", "101", "101"), term_code = c("FA11", "FA11", "FA11", "FA11"
), section_code = c(1L, 1L, 1L, 1L), grade = c(4, 0, 0, 2.5
), repeat_status_flag = c(NA, "PR", NA, NA), class_code = c(1L, 
1L, 1L, 1L), cum_atmpt_credits_prior = c(16, 0, 0, 0), cum_completed_credits_prior = c(0L, 
0L, 0L, 0L), cum_passed_credits_prior = c(16, 0, 0, 0), cum_gpa_prior = c(0, 
0, 0, 0), cum_atmpt_credits_during = c(29, 15, 18, 15), cum_completed_credits_during = c(13L, 
1L, 10L, 15L), cum_passed_credits_during = c(29, 1, 14, 15), 
    term_gpa = c(3.9615, 0.2333, 2.3214, 2.9666), row.names = c(NA, 4L
), class = "data.frame")

sp12 <- structure(list(id = c("1007", "1013", "1355", 
"2779", "2302"), act6_05_composite = c(24L, 26L, 25L, 24L, 
24L), course_code = c(101L, 102L, 101L, 101L, 101L
    ), term_code = c(NA_integer_, NA_integer_, NA_integer_, NA_integer_, 
    NA_integer_), section_code = c(1L, 1L, 1L, 1L, 1L), grade = c(2, 
    2.5, 2, 1.5, 3.5), repeat_status_flag = c(NA_character_, 
    NA_character_, NA_character_, NA_character_, NA_character_
    ), class_code = c(2L, 2L, 1L, 2L, 2L), cum_atmpt_credits_prior = c(44, 
    43, 12, 43, 30), cum_completed_credits_prior = c(41L, 43L, 
    12L, 43L, 12L), cum_passed_credits_prior = c(41, 43, 12, 
    43, 30), cum_gpa_prior = c(3.3125, 3.186, 3.5416, 3.1785, 
    3.8636), cum_atmpt_credits_during = c(56, 59, 25, 64, 43), 
    cum_completed_credits_during = c(53L, 56L, 25L, 56L, 25L), 
    cum_passed_credits_during = c(53, 59, 25, 64, 43), term_gpa = c(2.8333, 
    3.423, 3.1153, 2.1923, 3.6153), row.names = c(NA, 
5L), class = "data.frame")

# 以2011年秋季学期数据框创建初始对象
programmatic_database <- fa11

# 按id关联2012年春季学期数据框，选取指定变量并添加对应后缀
programmatic_database <- programmatic_database %>%
  full_join(select(sp12, id, course_code, section_code, grade, term_gpa), by = "id", copy = TRUE, suffix = c(".fa11", ".sp12"), keep = FALSE, name = "id")

# 查看关联结果，根据需要对指定变量强制类型转换（解决前述报错）

# 过滤2012年春季数据中已关联的条目，将剩余条目追加到现有数据集底部
programmatic_database <- sp12[!which(sp12$id %in% programmatic_database),] %>% dplyr::bind_rows(programmatic_database, sp12)

待解决问题 #

• 实现 full_join() → filter() → bind_rows() 的管道操作，不触发列数不匹配、字段类型不一致报错
• 仅为指定的动态数据列添加学期后缀，避免稳定数据列的后缀冗余
• 实现23个数据框的关联绑定自动化，替代手动逐次执行join/bind的繁琐操作

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