dplyr：group_by 并汇总以折叠（通过串联）包含 NA 的字符串列

Question

我有一个相对简单的问题。

假设您有以下数据集：

ID	dummy_var	字符串 1	字符串 2	字符串 3
1	0	汤姆	不适用	不适用
1	1	不适用	乔	不适用
2	0	汤姆	不适用	不适用
2	1	不适用	乔	不适用
2	0	不适用	不适用	鲍勃
3	0	史蒂夫	不适用	不适用
3	0	不适用	提米	不适用
4	0	亚历克斯	不适用	不适用

我想使用 group by 和 summarize 得到以下内容：

ID	dummy_var	字符串 1	字符串 2	字符串 3
1	1	汤姆	乔	不适用
2	1	汤姆	乔	鲍勃
3	0	史蒂夫	提米	不适用
4	0	亚历克斯	不适用	不适用

我在汇总函数中使用 dummy_var = max(dummy_var) 的变体“dummy_var”没有遇到任何问题，但我似乎无法找到任何关于如何根据需要获取字符串的信息。

我尝试过以下变体：

group_by(ID) %>%
summarize(
String1 = str_c(String1)
)

或

group_by(ID) %>%
summarize(
String1 = case_when(
     length(str_c(String1)) > 0 ~ str_c(String1)
     str_c(String1) == rep(NA,length(str_c(String1)) ~ NA
     )
)

第一次尝试时，行实际上并没有改变。例如，尽管诸如 max(dummy var) 之类的数字运算将按预期为组中的每一行产生 0 或 1，但不会汇总字符串变量，并且在取消分组和打印数据帧时，每个 ID 会得到多行，就好像你从来没有首先总结过字符串列。

使用第二种方法，当存在每个组的所有值都为 NA 的情况时，函数总是失败，表示“String(i) 的长度必须大于 0”或它的某些变体.=15=]

我注意到如果您尝试以下操作

group_by(ID) %>%
summarize(
String1 = str_replace_na(String1)
)

输出和第一个代码块一样，就好像什么都没发生一样。

关于我的数据的其他事实：每组字符串 1 将始终具有至少一个不带 NA 的值。对于 String2 和 String 3，按照我的示例，我希望折叠的行也显示为 NA。此外，在任何情况下，任何 group_by() 组都不会包含不止一行包含 NA 以外的内容的列；即，在组内，每一行只有三个 String1/2/3 中的一个作为 NA 以外的其他内容，或者它们可能都是 NA（例如我的示例中的 ID=2）。所有其他包含 int 或 double 值的列汇总没有问题。这只是字符串。使用 paste0 而不是 str_c() 也没有区别。

有人可以给我建议吗？我在网上找不到任何像这样的例子，其中 NA 在组内的列内，以及在组内它们有时包含列内的所有值。

我唯一的选择是在所有 NA 上使用 replace_na()，将它们与一些填充文本连接起来，然后返回并为每个值用 stringr 或其他东西将它们取出。它有效，但我知道必须有一个优雅的方法！

编辑：事实证明，如果我使用 str_replace_na() 而不是 str_c()，您最终会得到，例如，

ID	dummy_var	字符串 1	字符串 2	字符串 3
1	1	汤姆	“与”	“与”
1	1	“与”	“乔”	“与”
2	1	汤姆	“与”	“与”
2	1	“与”	“乔”	“与”
2	1	“与”	“与”	鲍勃

也就是说，值被替换为字符串“NA”而不是一个NA。这是令人惊讶的，因为以下是真实的：

str_replace_na("Something",NA)
> "Something"
str_c("Something",NA)
> NA

Answer 1

您可以使用 tidyr 的 fill 函数：

library(tidyr)
library(dplyr)

df %>% 
  group_by(ID) %>% 
  fill(starts_with("String"), .direction="downup") %>% 
  filter(dummy_var == max(dummy_var)) %>% 
  distinct() %>% 
  ungroup()

哪个returns

# A tibble: 4 x 5
     ID dummy_var String1 String2 String3
  <dbl>     <dbl> <chr>   <chr>   <chr>  
1     1         1 Tom     Jo      NA     
2     2         1 Tom     Jo      Bob    
3     3         0 Steve   Timmy   NA     
4     4         0 Alex    NA      NA

##数据

df <- structure(list(ID = c(1, 1, 2, 2, 2, 3, 3, 4), dummy_var = c(0, 
1, 0, 1, 0, 0, 0, 0), String1 = c("Tom", NA, "Tom", NA, NA, "Steve", 
NA, "Alex"), String2 = c(NA, "Jo", NA, "Jo", NA, NA, "Timmy", 
NA), String3 = c(NA, NA, NA, NA, "Bob", NA, NA, NA)), class = c("spec_tbl_df", 
"tbl_df", "tbl", "data.frame"), row.names = c(NA, -8L), spec = structure(list(
    cols = list(ID = structure(list(), class = c("collector_double", 
    "collector")), dummy_var = structure(list(), class = c("collector_double", 
    "collector")), String1 = structure(list(), class = c("collector_character", 
    "collector")), String2 = structure(list(), class = c("collector_character", 
    "collector")), String3 = structure(list(), class = c("collector_character", 
    "collector"))), default = structure(list(), class = c("collector_guess", 
    "collector")), skip = 1L), class = "col_spec"))

Answer 2

这是另一种方法，dplyr

# function that will keep one row for each unique ID
coalesce_all_columns <- function(df) {
  return(coalesce(!!! as.list(df)))
}

library(dplyr)
df %>%
  group_by(ID) %>%
  arrange(ID, desc(dummy_var)) %>% 
  summarise_all(coalesce_all_columns)

输出：

     ID dummy_var String1 String2 String3
  <dbl>     <dbl> <chr>   <chr>   <chr>  
1     1         1 Tom     Jo      NA     
2     2         1 Tom     Jo      Bob    
3     3         0 Steve   Timmy   NA     
4     4         0 Alex    NA      NA

Answer 3

一个data.table选项

setDT(df)[
    ,
    dummy_var := max(dummy_var), ID
][
    ,
    lapply(.SD, function(x) fcoalesce(as.list(x))), .(ID, dummy_var)
]

给予

   ID dummy_var String1 String2 String3
1:  1         1     Tom      Jo    <NA>
2:  2         1     Tom      Jo     Bob
3:  3         0   Steve   Timmy    <NA>
4:  4         0    Alex    <NA>    <NA>

使用“聚合+ave”的基础 R 选项

aggregate(
    . ~ ID + dummy_var,
    transform(
        df,
        dummy_var = ave(dummy_var, ID, FUN = max)
    ),
    function(x) ifelse(all(is.na(x)), x, na.omit(x)),
    na.action = na.pass
)

给予

  ID dummy_var String1 String2 String3
1  3         0   Steve   Timmy    <NA>
2  4         0    Alex    <NA>    <NA>
3  1         1     Tom      Jo    <NA>
4  2         1     Tom      Jo     Bob

dplyr：group_by 并汇总以折叠（通过串联）包含 NA 的字符串列

dplyr: group_by and summarize to collapse (via concatenation) columns of strings that contain NA

r

dplyr

summarize