在R语言base/dplyr中，为数据集行子集查找同组内最邻近行

嘿，我来帮你解决这个问题——在按Group分组的DataFrame里，给指定的行子集找到同组内距离最近的其他行对吧？咱们用R来实现，步骤清晰，还会处理数据里的NA值。

先准备依赖包 #

首先得加载几个常用的工具包，dplyr用来分组操作，FNN高效计算最近邻，tidyr处理缺失值：

library(dplyr)
library(FNN)
library(tidyr)

第一步：处理数据里的NA #

你的数据有不少NA，计算距离的时候得先搞定这个，我给两种方案：

• 过滤法：直接删掉带NA的行（适合NA占比低的情况）
• 填充法：用组内均值填充NA（保留更多数据）

先演示过滤法，顺便给每行加个唯一索引方便后续匹配：

df_clean <- df %>%
  mutate(row_id = row_number()) %>%  # 给每行加原始索引
  drop_na(A, B, C)  # 删掉有NA的行

第二步：指定你要处理的行子集 #

假设你要找的是原始行里的第1、3、9行，先把它们提出来：

target_rows <- df_clean %>% filter(row_id %in% c(1, 3, 9))

第三步：分组计算最近邻 #

核心操作来了——按Group分组，对每个组里的目标行，找到同组内距离最近的非自身行（所以k=2，第一个最近邻是自身，取第二个）：

nearest_neighbor_result <- df_clean %>%
  group_by(Group) %>%
  group_modify(function(group_data, group_info) {
    # 把当前组的数值列转成矩阵
    num_data <- group_data %>% select(A, B, C) %>% as.matrix()
    
    # 找到当前组里属于目标子集的行的位置
    target_positions <- which(group_data$row_id %in% target_rows$row_id)
    
    if (length(target_positions) == 0) return(tibble())  # 组里没有目标行就跳过
    
    # 计算最近邻，k=2取第二个就是排除自身的最近邻
    knn_output <- get.knn(num_data, k = 2)
    
    # 整理结果：目标行索引、最近邻行索引、距离
    tibble(
      target_row_id = group_data$row_id[target_positions],
      nearest_row_id = group_data$row_id[knn_output$nn.index[target_positions, 2]],
      euclidean_distance = knn_output$nn.dist[target_positions, 2]
    )
  }) %>%
  ungroup()

# 把结果和原始数据关联，查看完整信息
final_result <- nearest_neighbor_result %>%
  left_join(df, by = c("target_row_id" = "row_id"), suffix = "_target") %>%
  left_join(df, by = c("nearest_row_id" = "row_id"), suffix = c("", "_nearest"))

结果说明 #

• target_row_id：你指定的子集行的原始索引
• nearest_row_id：同组内距离它最近的行的原始索引
• euclidean_distance：两者之间的欧氏距离
• 后面的列带_target的是目标行的原始数据，带_nearest的是最近邻行的原始数据

可选：用填充法处理NA #

如果不想删掉NA行，用组内均值填充：

df_filled <- df %>%
  mutate(row_id = row_number()) %>%
  group_by(Group) %>%
  mutate(across(c(A, B, C), ~ifelse(is.na(.), mean(., na.rm = TRUE), .))) %>%
  ungroup()

之后重复第二步和第三步就能得到结果啦。

内容的提问来源于stack exchange，提问作者Omry Atia