我在数据集中有重复的 ID，并希望在数据列中保留 NA 数量最少的 ID答案

【问题标题】：I have duplicate IDs in a data set, and would like to keep the one with the least amount of NAs across the data columns我在数据集中有重复的 ID，并希望在数据列中保留 NA 数量最少的 ID
【发布时间】：2021-05-17 06:38:26
【问题描述】：

我有一个具有重复 IDS 的数据框。我想保留 NA 数量最少的 ID（所以最完整的 ID 集）。在此示例中，我想保留第二个 123 和第二个 124（租赁 NA）

我可以识别重复项，但我无法编写代码来本质上说 1）对于每个副本，保留一个具有较少 NA 的副本代码也可以说 2）对于每个重复，删除具有更多NA的那个，

这是示例数据

id    Col1    col1 2   col 3  col 4
123   10       NA       NA     3
123   50       3        2      NA
124   30       5        7      NA 
124   30       8        1      2

【问题讨论】：

标签： r duplicates na

【解决方案1】：

您可以按每行中NAs 的数量进行排序，然后删除重复项：

require(dplyr)
df %>% arrange(rowSums(is.na(df))) %>% filter(!duplicated(id)) %>% arrange(id)

   id Col1 col2 col3 col4
1 123   50    3    2   NA
2 124   30    8    1    2

数据：

df = read.table(text='id Col1 col2 col3 col4
123   10       NA       NA     3
123   50       3        2      NA
124   30       5        7      NA
124   30       8        1      2', header = T, strip.white = T)

【讨论】：

【解决方案2】：

library(data.table)
setDT(df)

df[order(rowSums(is.na(df))), head(.SD, 1), by = id]

# id Col1 col2 col3 col4
# 1: 124   30    8    1    2
# 2: 123   50    3    2   NA

【讨论】：

【解决方案3】：

我们可以使用slice

library(dplyr)
df %>% 
   group_by(id) %>%
   slice(which.min(rowSums(is.na(cur_data())))) %>%
   ungroup
# A tibble: 2 x 5
#     id  Col1  col2  col3  col4
#  <int> <int> <int> <int> <int>
#1   123    50     3     2    NA
#2   124    30     8     1     2

或使用c_across

df %>%
  rowwise %>% 
  mutate(cnt = sum(is.na(c_across(-id)))) %>%
  ungroup %>% 
  arrange(id, cnt) %>%
  distinct(id, .keep_all = TRUE)

数据

df <- structure(list(id = c(123L, 123L, 124L, 124L), Col1 = c(10L, 
50L, 30L, 30L), col2 = c(NA, 3L, 5L, 8L), col3 = c(NA, 2L, 7L, 
1L), col4 = c(3L, NA, NA, 2L)), class = "data.frame", row.names = c(NA, 
-4L))

【讨论】：

和第一个类似：df %>% group_by(id) %>% top_n(-1, rowSums(is.na(cur_data()))) %>% ungroup