dplyr 按变量等级折叠但忽略 NA

Question

我正在为我的数据崩溃而苦苦挣扎。

基本上我的数据由多个指标组成，每年都有多个观察值。我想将其转换为针对每个国家/地区的每个指标的一个观察结果。

我有一个等级指示器，它指定必须按哪个顺序选择观察结果的顺序。

基本上必须选择排名第一（因此是 1 而不是 2）的观察值，只要该排名的值不是 NA。

另一个问题：我的数据集中的年份随时间变化，因此有没有一种方法可以使代码动态化，因为它将代码应用于从 1990 年到 2025 年存在的所有列名？

df <- data.frame(country.code = c(1,1,1,1,1,1,1,1,1,1,1,1), 
                        id = as.factor(c("GDP", "GDP", "GDP", "GDP", "CA", "CA", "CA", "GR", "GR", "GR", "GR", "GR")), 
                       `1999` = c(NA,NA,NA, 1000,NA,NA, 100,NA,NA, NA,NA,22), 
                       `2000` = c(NA,NA,1, 2,NA,1, 2,NA,1000, 12,13,2), 
                       `2001` = c(3,100,1, 3,100,20, 1,1,44, 65,NA,NA),
                       rank = c(1, 2 , 3 , 4 , 1, 2, 3, 1, 3, 2, 4, 5))

结果应该是以下数据集：

    result <- data.frame(country.code = c(1, 1, 1), 
                         id = as.factor(c("GDP", "CA", "GR")),
                         `1999`= c(1000, 100, 22),
                         `2000`= c(1, 1, 12),
                         `2001`= c(3, 100, 1))

我尝试了以下解决方案（但考虑到数据中的 NA，这不起作用，我必须指定每一列：

    test <- df %>% group_by(Country.Code, Indicator.Code) %>% 
                summarise(test1999 = `1999`[which.min(rank))

我不明白如何解释 R 以忽略 1999 列中为 NA 的情况。

Answer 1

这是一个选项，它使用 tidyr::fill 将 NA 替换为第一个非 NA 值，之后我们将数据 arranged 设为 [=15] =] 和 rank。这可能不是最有效的方法，因为我们首先 gather 然后再次 spread 数据。

library(tidyverse)
df %>% 
  arrange(id, rank) %>% 
  gather(key, value, X1999:X2001) %>% 
  tidyr::fill(value, .direction = "up") %>% 
  spread(key, value) %>% 
  group_by(id) %>% 
  slice(1) %>% 
  ungroup()
# A tibble: 3 x 6
#  country.code id     rank X1999 X2000 X2001
#         <dbl> <fct> <dbl> <dbl> <dbl> <dbl>
#1            1 CA        1   100     1   100
#2            1 GDP       1  1000     1     3
#3            1 GR        1    22    12     1

注意：列名可能不是您的数据中的 1999、2000 等。但这很容易被采用。

Answer 2

您可以将数据框更改为长格式，删除 na，select 对应于最小排名的值并展开回宽格式

 library(tidyr)
  test <- df %>%
  gather("Year", "Value", X1999:X2001) %>%
  filter(!is.na(Value))%>%
  group_by(country.code, id, Year) %>% 
  arrange(rank)%>%
  summarise(first(Value)) %>%
  spread(Year, `first(Value)`)

Answer 3

我们可以使用列的非空值的最小等级进行子集，例如 x[rank==min(rank[!is.na(x)])]。

An additional question: The years in my dataset vary over time,....

使用 summarise_at、vars 和 matches 可用于 select 任何具有 4 位数字的列名称，即 1990-2025 使用正则表达式 [0-9]{4}（这意味着搜索精确重复 4 次的数字“0-9”）并使用 funs

将上述过程应用于它们

librar(dplyr)    
df %>% group_by(country.code,id) %>% 
       summarise(`1999` = `1999`[rank==ifelse(all(is.na(`1999`)),1, min(rank[!is.na(`1999`)]))])

df %>% group_by(country.code,id) %>% 
       summarise_at(vars(matches("[0-9]{4}")),funs(.[rank==ifelse(all(is.na(.)), 1, min(rank[!is.na(.)]))]))

 # A tibble: 3 x 5
 # Groups:   country.code [?]
  country.code id    `1999` `2000` `2001`
         <dbl> <fct>  <dbl>  <dbl>  <dbl>
1            1 CA       100      1    100
2            1 GDP     1000      1      3
3            1 GR        22     12      1

dplyr 按变量等级折叠但忽略 NA

dplyr collapse by rank of variable but ignore NA

r

dplyr

summarize