[英]dplyr collapse by rank of variable but ignore NA
我正为数据崩溃而苦苦挣扎。
基本上,我的数据由每年包含多个观察值的多个指标组成。 我想将其转换为每个国家/地区每个指标的一项观察。
我有一个等级指示器,它指定必须选择观察序列的序列。
基本上,必须选择具有第一个等级的观察值(因此用1代替2),只要该等级的值不是NA。
另一个问题:我的数据集中的年份会随时间变化,因此有一种方法可以使代码具有动态性,即它将代码应用于1990年到2025年之间的所有列名(如果存在)?
df <- data.frame(country.code = c(1,1,1,1,1,1,1,1,1,1,1,1),
id = as.factor(c("GDP", "GDP", "GDP", "GDP", "CA", "CA", "CA", "GR", "GR", "GR", "GR", "GR")),
`1999` = c(NA,NA,NA, 1000,NA,NA, 100,NA,NA, NA,NA,22),
`2000` = c(NA,NA,1, 2,NA,1, 2,NA,1000, 12,13,2),
`2001` = c(3,100,1, 3,100,20, 1,1,44, 65,NA,NA),
rank = c(1, 2 , 3 , 4 , 1, 2, 3, 1, 3, 2, 4, 5))
结果应为以下数据集:
result <- data.frame(country.code = c(1, 1, 1),
id = as.factor(c("GDP", "CA", "GR")),
`1999`= c(1000, 100, 22),
`2000`= c(1, 1, 12),
`2001`= c(3, 100, 1))
我尝试了以下解决方案(但由于数据中不存在NA,因此该方法不起作用,因此我必须指定每列:
test <- df %>% group_by(Country.Code, Indicator.Code) %>%
summarise(test1999 = `1999`[which.min(rank))
我看不到如何解释R来省略1999列中NA的情况。
我们可以对一列使用非空值的最小秩进行子集化,例如x[rank==min(rank[!is.na(x)])]
。
另一个问题:我的数据集中的年份随时间而变化,....
使用summarise_at
, vars
和matches
可被用于选择任何列名与4位使用正则表达式,即1990至2025年[0-9]{4}
这意味着搜索一个数字“0-9”重复正好是4次)并通过funs
将上述过程应用于他们
librar(dplyr)
df %>% group_by(country.code,id) %>%
summarise(`1999` = `1999`[rank==ifelse(all(is.na(`1999`)),1, min(rank[!is.na(`1999`)]))])
df %>% group_by(country.code,id) %>%
summarise_at(vars(matches("[0-9]{4}")),funs(.[rank==ifelse(all(is.na(.)), 1, min(rank[!is.na(.)]))]))
# A tibble: 3 x 5
# Groups: country.code [?]
country.code id `1999` `2000` `2001`
<dbl> <fct> <dbl> <dbl> <dbl>
1 1 CA 100 1 100
2 1 GDP 1000 1 3
3 1 GR 22 12 1
下面是一个选项tidyr::fill
更换NA
第一非小号NA
值后,我们arrange
d由数据id
和rank
。 这可能不是最有效的方法,因为我们先gather
然后再spread
数据。
library(tidyverse)
df %>%
arrange(id, rank) %>%
gather(key, value, X1999:X2001) %>%
tidyr::fill(value, .direction = "up") %>%
spread(key, value) %>%
group_by(id) %>%
slice(1) %>%
ungroup()
# A tibble: 3 x 6
# country.code id rank X1999 X2000 X2001
# <dbl> <fct> <dbl> <dbl> <dbl> <dbl>
#1 1 CA 1 100 1 100
#2 1 GDP 1 1000 1 3
#3 1 GR 1 22 12 1
注:列名不是1999
, 2000
等,大概在您的数据。 但这很容易采用。
您可以将数据框更改为长格式,删除na,选择与最小等级相对应的值,然后再扩展回宽格式
library(tidyr)
test <- df %>%
gather("Year", "Value", X1999:X2001) %>%
filter(!is.na(Value))%>%
group_by(country.code, id, Year) %>%
arrange(rank)%>%
summarise(first(Value)) %>%
spread(Year, `first(Value)`)
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.