将每组的多行合并为一个，同时仅合并R中的一些列数据

Question

我在 Reddit 上有一组帖子和 cmets 的数据行和列，其中一行代表一个帖子，它是评论。由于一篇帖子可能包含多个 cmets，因此我有具有相同 ID（帖子 ID）和不同评论 ID 的行。我想将具有相同 id 的行合并为一行，并在列中包含所有不同的评论 id - 'comment id' 用逗号分隔。而且由于帖子数据（标题、正文等）是重复的（如附图所示），我不需要将它们合并为每行仅出现一次。

![重复行][1] 1

我可以合并以逗号分隔的相关列的评论信息，但我不知道如何获得不需要合并的重复帖子信息的一次出现。

all_reddits <- all_posts_and_comments %>%
  group_by(id) %>%
  summarise(
    comment_id = paste(comment_id, collapse=","),
    comment_author = paste(comment_author, collapse = ","),
    comment_body = paste(comment_body, collapse = ","),
    comment_score = paste(comment_score, collapse = ","),
    comment_created_date = paste(comment_created_date, collapse = ","),
    comment_link = paste(comment_link, collapse=",")
  )

我已经尝试过 R: dplyr 的 summarise_all() 和 summarise_at() ，但我不断收到错误。

Answer 1

我相信您可以为每个 post 列使用像 post_datapoint_xyz = first(post_datapoint_xyz) 这样的摘要语句来解决您的问题。

也可以将所有 post 列简单地包含到您的 group_by 列表中：)
// 更新：你可以把它写成这样来快速做到这一点

all_reddits <- all_posts_and_comments %>%
  group_by_at(vars(starts_with('post_'))) %>%
  summarise(...)

summarise_all 或 summarise_at 不会让您走得太远，因为您想将两个不同的函数（粘贴和第一个）应用于两组不同的变量（cmets 和帖子）并且两个 summarise_* 函数不不支持。
this thread 中有很多建议，但对于您的用例来说，这些建议可能有点过头了...

---

但是，附带说明一下：仅单独连接每个评论列可能对自己没有太大帮助，因为这样做会失去它们之间的关系。 （想象一下其中一个包含逗号的 cmets，您将无法反转此摘要。）

如果您真的想在结果中保留完整的评论数据，您可以考虑仅创建所有 cmets 的 一个摘要列，并将它们存储为列表或嵌套 df。

//更新：如果你想这样做，你可以像这样使用the nest function：

all_reddits <- all_posts_and_comments %>%
  nest(starts_with('comment_'), .key = 'comments')

如果您想稍后取消这些 cmets，unnest 函数可以提供帮助。

all_posts_and_comments.2 <- all_reddits %>%
  unnest(comments)