如何折叠 NA 并将多列合并为一列

Question

我有一个合并的数据集，如下所示：

    V3    V1.x               V2.x   V1.y                 V2.y   V982 V2163 
1  10075  Whitten Jamie L.   1225    <NA>                NA     2     2   
2  10421  Yates Sidney R.    1252    Yates Sidney R.     1252   2     0      
3  10520  Gonzalez Henry B.   445    Gonzalez Henry B.   445    0     0       
4  10573  Brown George E.Jr.  134    Brown George E.Jr.  134    0     0    
5  29584  <NA>                NA     Cubin  Barbara      254    0     0

我通过匹配 V3 合并了两个数据集。如您所见，两个数据集都有 V1 和 V2 变量，这两个变量并不相同。

我有两个问题。

1) 有什么方法可以在不生成 V1.x V1.y 的情况下合并两个数据集？我的意思是我想知道是否有任何方法可以让 V1 看起来像这样

V1
Whitten Jamie L.
Yates Sidney R.
Gonzalez Henry B.
Brown George E.Jr.
Cubin  Barbara

我使用了简单的合并命令，例如merge(df1, df2, by=c("V3")。

2) 如果没有 V1.x 和 V1.y 就无法合并这两个数据集，那么如何折叠 NA 并合并这两列？

我在论坛中搜索了其他问题，找到了类似的命令 cbind(data[1], mycol = na.omit(unlist(data[-1]))) na.omit(stack(df)) 或df2<-apply(df,1,function(x) x[!is.na(x)])。但它们都不能很好地工作。当我没有 V982 V3 或 V2163 等不相关的列时，这些命令似乎有效。我不知道如何通过将 NA 与维护其他列（如 V982 V2163 等）合并来合并这两列。

感谢您的帮助！

Answer 1

1) 有什么方法可以在不生成 V1.x 的情况下合并两个数据集 V1.y?

您可以尝试此解决方案，它将作用于df1 和df2 中存在的所有列：

d1 <- df1[df1$V3 %in% df2$V3,]
d2 <- df2[df2$V3 %in% df1$V3,]

m <- match(d2$V3,d1$V3)
z <- sapply(names(d1),function(s) ifelse(is.na(d1[,s]),d2[m,s],d1[,s]))
result <- cbind(z,d2[m,setdiff(names(d2),names(d1)),drop=F])

它从df1 和df2 中选择V1 列中具有共同值的行，然后使用第二个数据集中的对应值填充第一个数据集中的NA 用于其他列。

2) 如果我不能在没有 V1.x 和 V1.y 的情况下合并这两个数据集，那么 如何折叠 NA 并合并这两列？

如果你已经合并了你的数据，你可以试试这个解决方案（它只适用于V1列）：

df$V1 <- with(df,ifelse(is.na(V1.x),V1.y,V1.x))

Answer 2

如果我正确理解您的最终产品，使用 dplyr 会很简单：

df1 %>%
    select(V3, V982) %>%
    left_join(select(df2,V3,V2163), by=V3)

给出：

     V3 V982 V2163
1 10075    2     2
2 10421    2     0
3 10520    0     0
4 10573    0     0
5 29584    0     0

Answer 3

在这里，我正在回答您提供合并数据集的第二个问题。

这个想法是创建一个模式（'pat'）来指定需要折叠的列的“前缀”。使用grep 获取这些列的数字索引（“indx”）。从原始数据集（“df”）中删除列并创建一个新数据集“df1”。使用lapply循环“pat”，使用grep子集相似的前缀列，使用pmax和na.rm=TRUE获取折叠列，最后将列表元素分配给新列（“V1，V2”）在“df1”中。

pat <- paste0('^V', 1:2, '..$')
indx <- grep(paste(pat, collapse='|'), names(df))
df1 <- df[-indx]
df1[paste0('V',1:2)] <- lapply(pat, function(x) do.call(pmax,
                           c(df[grep(x, names(df))], na.rm=TRUE)))
df1
#     V3 V982 V2163                 V1   V2
#1 10075    2     2   Whitten Jamie L. 1225
#2 10421    2     0    Yates Sidney R. 1252
#3 10520    0     0  Gonzalez Henry B.  445
#4 10573    0     0 Brown George E.Jr.  134
#5 29584    0     0     Cubin  Barbara  254

或者您可以使用max.col 查找非NA值的“行索引”并获取具有“行/列”索引的元素。

 df1[paste0('V', 1:2)] <- lapply(pat, function(x) {
            x1 <- df[grep(x, names(df))]
            x1[cbind(1:nrow(x1), max.col(!is.na(x1)))]})

数据

df <- structure(list(V3 = c(10075L, 10421L, 10520L, 10573L, 29584L), 
V1.x = c("Whitten Jamie L.", "Yates Sidney R.", "Gonzalez Henry B.", 
"Brown George E.Jr.", NA), V2.x = c(1225L, 1252L, 445L, 134L, 
NA), V1.y = c(NA, "Yates Sidney R.", "Gonzalez Henry B.", 
"Brown George E.Jr.", "Cubin  Barbara"), V2.y = c(NA, 1252L, 
445L, 134L, 254L), V982 = c(2L, 2L, 0L, 0L, 0L), V2163 = c(2L, 
0L, 0L, 0L, 0L)), .Names = c("V3", "V1.x", "V2.x", "V1.y", 
"V2.y", "V982", "V2163"), class = "data.frame", row.names = c("1", 
"2", "3", "4", "5"))