R 基于“聚合”；近；行值

我有一个非常凌乱的数据框（webscraped），不幸的是其中有许多双重甚至三重的条目。大多数数据帧如下所示：

> df1<-data.frame(var1=c("a","a","b","b","c","c","d","d"),var2=c("right.a",NA,"right.b",NA,"right.c",NA,"right.d",NA),var3=c("correct.a","correct.a","correct.b","correct.b","correct.c","correct.c","correct.d","correct.d"))
> df1
  var1    var2      var3
1    a right.a correct.a
2    a    <NA> correct.a
3    b right.b correct.b
4    b    <NA> correct.b
5    c right.c correct.c
6    c    <NA> correct.c
7    d right.d correct.d
8    d    <NA> correct.d

  var1    var2      var3
1    a right.a correct.a
2    b right.b correct.b
3    c right.c correct.c
4    d right.d correct.d

> df2<-data.frame(var1=c("e","e","e","f","f","g","g","g"),var2=c(NA,NA,"right.e",NA,NA,NA,"right.g",NA),var3=c("correct.e","correct.e",NA,"correct.f",NA,"correct.g","correct.g",NA))
> df2
  var1    var2      var3
1    e    <NA> correct.e
2    e    <NA> correct.e
3    e right.e      <NA>
4    f    <NA> correct.f
5    f    <NA>      <NA>
6    g    <NA> correct.g
7    g right.g   wrong.g
8    g    <NA>      <NA>

然而，主要的问题是，并非整个数据帧都是这样。事实上，我还有其他类似的部分：

> df1<-data.frame(var1=c("a","a","b","b","c","c","d","d"),var2=c("right.a",NA,"right.b",NA,"right.c",NA,"right.d",NA),var3=c("correct.a","correct.a","correct.b","correct.b","correct.c","correct.c","correct.d","correct.d"))
> df1
  var1    var2      var3
1    a right.a correct.a
2    a    <NA> correct.a
3    b right.b correct.b
4    b    <NA> correct.b
5    c right.c correct.c
6    c    <NA> correct.c
7    d right.d correct.d
8    d    <NA> correct.d

  var1    var2      var3
1    a right.a correct.a
2    b right.b correct.b
3    c right.c correct.c
4    d right.d correct.d

> df2<-data.frame(var1=c("e","e","e","f","f","g","g","g"),var2=c(NA,NA,"right.e",NA,NA,NA,"right.g",NA),var3=c("correct.e","correct.e",NA,"correct.f",NA,"correct.g","correct.g",NA))
> df2
  var1    var2      var3
1    e    <NA> correct.e
2    e    <NA> correct.e
3    e right.e      <NA>
4    f    <NA> correct.f
5    f    <NA>      <NA>
6    g    <NA> correct.g
7    g right.g   wrong.g
8    g    <NA>      <NA>

>df2 df2
var1 var2 var3
正确
正确
是的
正确
5楼
6克正确
7 g对，g错
8克

和其他变体。最后，每个ID都应该有一行，其中包含正确的var2和var3。此时，我迷失了方向：我的var1不是唯一的。但是，我知道“属于”在一起的重复ID在数据帧中分组（如我的示例所示）；e、 g.第4102行和第4103行中可能还有另一个“a”

我认为应该采用的方法是使用带有var1的聚合作为ID，但另外告诉R，聚合应该只检查+2行var1。你知道怎么编码吗

---

谢谢

如果

var2

和

var3

对于

var1

的每个级别只有一个唯一的值，则：

library(dplyr)

df = rbind(df1,df2)

df %>% group_by(var1) %>%
  summarise_all(funs(.[!is.na(.)][1]))

var1 var2 var3
正确的，正确的
正确的，正确的
正确的，正确的
正确的，正确的
正确的，正确的
正确
7克对，克对，克

---

下面是一个使用

data.table的方法

library(data.table)

setDT(df1)[, .(var2[!is.na(var2)][1], var3[!is.na(var3)][1]), by=var1]
   var1      V1        V2
1:    a right.a correct.a
2:    b right.b correct.b
3:    c right.c correct.c
4:    d right.d correct.d

及

例如，
var2[！is.na（var2）][1]
中的思想是从var2中获取第一个非缺失值。如果缺少所有值，则返回NA。var1对这两个变量执行此操作

如果有两个以上的变量，可以切换到
lappy
。例如，下面的例子

df1[, lapply(.SD, function(i) i[!is.na(i)][1]), by=var1]
   var1    var2      var3
1:    a right.a correct.a
2:    b right.b correct.b
3:    c right.c correct.c
4:    d right.d correct.d

在一个实例中，如果多个var1具有一个有效值，并且该值由一个未丢失的var2表示，那么您可以通过连接达到预期的结果

评论中的数据

df1<-data.frame(var1=c("a","a","b","b","c","c","d","d","a","a"),
                var2=c("right.a",NA,"right.b",NA,"right.c",NA,"right.d",NA,"right.a1",NA),
                var3=c("correct.a","correct.a","correct.b","correct.b","correct.c","correct.c","correct.d","correct.d","correct.a1","correct.a1"))

在这里，var1的所有未丢失的var2观测值都被合并到原始数据集中。
不幸的是，这将“right.g”带到了f行中（因为我的数据集中没有“right.f”）。结果表明，当组中的所有值都是
NA
（就像
var2
这里的
var1==“f”
）时，问题与a有关。我已经通过使用
NA\u character\uu
而不是
NA
修复了它。更新了@Imo的较短代码，用于处理所有
NA
的组。非常感谢，这看起来很有希望。关于如何处理数据帧中的重复项（即在数据帧中随机位置分组的具有相同ID的观测值）有何想法？如果df1看起来是这样的：
df1请查看答案末尾的附加文本。您的最后一行代码（包括连接）会引发此错误：
错误出现在
[.data.table
（setDT（df1），df1[，（var2=var2[！is.na（var2）]），：“on”参数应该是一个命名的原子向量oc列名，指示“i”中的哪些列应该与“x”中的哪些列联接。
刚刚用一个新的R会话重试了一次，它就起了作用。您可能必须更新您正在使用的
数据的版本。表
。我使用的是1.10.4。如果这不是一个选项，您可能需要更新尝试将
on=（var1，var2）
替换为
on=c（“var1，var2”）
。