交叉连接 id 从同一 R 数据框中的其他列中提取数据

Question

我有一个像这样的 R 数据框（但数据不会按任何列排序）：

ppl <- structure(list(id = c("I0000", "I0001", "I0002", "I0003", "I0004","I0005", "I0006", "I0007", "I0008", "I0009"), Birth_Date = structure(c(NA, 517, -10246, -8723, 2349, -25125, NA, -12141, 2349, NA), class = "Date"), Father_id = c(NA, "I0002", "I0005", "I0037", "I0002", "I0018", "I0056", "I0005", "I0002", "I0005"), Mother_id = c(NA, "I0003", "I0006", "I0038", "I0003", "I0019", "I0057", "I0006", "I0003", "I0006"), marriage = structure(c(NA_real_, NA_real_, NA_real_, NA_real_, NA_real_, -12119, -12119, NA_real_, NA_real_, NA_real_), class = "Date")), row.names = c(NA, -10L), class = c("tbl_df", "tbl", "data.frame"))

> ppl
# A tibble: 10 x 5
   id    Birth_Date Father_id Mother_id marriage  
   <chr> <date>     <chr>     <chr>     <date>    
 1 I0000 NA         NA        NA        NA        
 2 I0001 1971-06-02 I0002     I0003     NA        
 3 I0002 1941-12-13 I0005     I0006     NA        
 4 I0003 1946-02-13 I0037     I0038     NA        
 5 I0004 1976-06-07 I0002     I0003     NA        
 6 I0005 1901-03-19 I0018     I0019     1936-10-27        
 7 I0006 NA         I0056     I0057     1936-10-27        
 8 I0007 1936-10-05 I0005     I0006     NA        
 9 I0008 1976-06-07 I0002     I0003     NA        
10 I0009 NA         I0005     I0006     NA    

孩子和父母的关系是通过他们不同的ID来建立的。

对于没有marriage日期值的每个人（id），我想根据Birth_date估计该列的日期值> 他/她的第一个孩子（当然这只是一个假设，因为对于某些人来说 Birth_Date 不可用）。

因此，在本例中，一些将获得结婚日期的个人将是 I0002 和 I0003（计算出的结婚将是“1971-06-02”行3 和 4，因为它是 Father_id=='I0002' 和 Mother_id=='I0003' 的 3 个人中的最小 Birth_Date -第 2、5 和 9 行-)。

同样，个人 I0005 和 I0006 会得到结婚日期“1936-10-05”，这是他们孩子的最小已知 Birth_Date (I0002, I0007 和 I0009 - NA 作为 Birth_Date-）。 但是在这种情况下，不应考虑所有子 Birth_Date 值，因为数据框已经具有这些个体的真实 marriage_date 值（ “1936-10-27”）。

如您所见，数据帧结构无需更改（相同的行数和相同的列；但最后一个使用 Date 值更新了一些 NA）。

预期结果：

> ppl
# A tibble: 10 x 5
   id    Birth_Date Father_id Mother_id marriage  
   <chr> <date>     <chr>     <chr>     <date>    
 1 I0000 NA         NA        NA        NA        
 2 I0001 1971-06-02 I0002     I0003     NA        
 3 I0002 1941-12-13 I0005     I0006     1971-06-02
 4 I0003 1946-02-13 I0037     I0038     1971-06-02
 5 I0004 1976-06-07 I0002     I0003     NA        
 6 I0005 1901-03-19 I0018     I0019     1936-10-27
 7 I0006 NA         I0056     I0057     1936-10-27
 8 I0007 1936-10-05 I0005     I0006     NA        
 9 I0008 1976-06-07 I0002     I0003     NA        
10 I0009 NA         I0005     I0006     NA        

是否有可能避免使用迭代数据框的函数来完成此任务？

我知道有一些库处理连接，就像提到的那些 here。但我仍然不知道如何使用它们来完成这项任务。

我正在考虑逐行计算（每次迭代一个结婚日期），但我想必须有一些更快的方法来做到这一点。 请详细说明您的答案，因为我是一个完整的 R 新手。这不仅仅是让它工作的问题，而是理解它是如何工作的。

Answer 1

我们可以为每个父亲和母亲选择一个最小值为Birth_Date 的行，并加入数据框本身。

library(dplyr)

ppl %>%
   #Keep only NA values
   filter(is.na(marriage)) %>%
   #For each father and mother
   group_by(Father_id, Mother_id) %>%
   #Select the minimum date
   slice(which.min(Birth_Date)) %>%
   #Get father and mother in same column
   tidyr::pivot_longer(cols = c(Father_id, Mother_id)) %>%
   #rename Birth_Date to marriage and select it with value
   select(marriage = Birth_Date, value) %>%
   #Join with the dataframe itself
   right_join(ppl, by = c('value' = 'id')) %>%
   #If marriage data is already present select that
   mutate(marriage_date = coalesce(marriage.y, marriage.x)) %>%
   #select only columns needed. 
   select(id = value, Birth_Date, Father_id, Mother_id, marriage_date)

   id    Birth_Date Father_id Mother_id marriage_date
   <chr> <date>     <chr>     <chr>     <date>       
 1 I0000 NA         NA        NA        NA           
 2 I0001 1971-06-02 I0002     I0003     NA           
 3 I0002 1941-12-13 I0005     I0006     1971-06-02   
 4 I0003 1946-02-13 I0037     I0038     1971-06-02   
 5 I0004 1976-06-07 I0002     I0003     NA           
 6 I0005 1901-03-19 I0018     I0019     1936-10-27   
 7 I0006 NA         I0056     I0057     1936-10-27   
 8 I0007 1936-10-05 I0005     I0006     NA           
 9 I0008 1976-06-07 I0002     I0003     NA           
10 I0009 NA         I0005     I0006     NA