对于aggregate，我们可能需要使用na.action

aggregate(.~ a + b, frame, sum, na.rm = TRUE, na.action = 'na.pass')
#   a b   c   d
#1 A 1  60  10
#2 B 1 100  10
#3 A 2   0 100

如果我们打算对行进行子集化

library(dplyr)
frame %>% 
    group_by(a, b) %>%
    mutate_at(vars(-group_cols()), ~ .[order(is.na(.))]) %>% 
    slice(1)
# A tibble: 3 x 4
# Groups:   a, b [3]
#  a         b     c     d
#  <fct> <dbl> <dbl> <dbl>
#1 A         1    60    10
#2 A         2    NA   100
#3 B         1   100    10

• 使用data.table和hablar::sum_：*

library(data.table)

setDT(frame)[,.(c = as.numeric(hablar::sum_(c)), 
                d = as.numeric(hablar::sum_(d))), .(a,b)]
#>    a b   c   d
#> 1: A 1  60  10
#> 2: B 1 100  10
#> 3: A 2  NA 100

• 或者在base中，我们可以定义自己的函数，并将其与aggregate一起使用，如akrun在他们的答案中所示：*

sum__ <- function(x){if(all(is.na(x))) NA_real_ else sum(x, na.rm=T)}

aggregate(.~ a + b, frame, sum__, na.action = 'na.pass')

除了@akrun使用aggreate()之外，您还可以使用以下代码来创建它：

aggregate(frame[-(1:2)], frame[1:2], sum, na.rm = TRUE)

使得

> aggregate(frame[-(1:2)], frame[1:2], sum, na.rm = TRUE)
  a b   c   d
1 A 1  60  10
2 B 1 100  10
3 A 2   0 100

使用dplyr和tidyr，您可以将数据整形为长格式，过滤NA行，然后重新整形为宽。这基本上结合了c和d值，并保留了c列中的NA。

library(dplyr)
library(tidyr)

frame %>%
  pivot_longer(c:d) %>%
  filter(!is.na(value)) %>%
  arrange(name) %>%
  pivot_wider(names_from = name)
#> # A tibble: 3 x 4
#>   a         b     c     d
#>   <fct> <dbl> <dbl> <dbl>
#> 1 A         1    60    10
#> 2 B         1   100    10
#> 3 A         2    NA   100

IMO的一个小烦恼是，与以前的tidyr::spread不同，tidyr::pivot_wider保持了数据的顺序;如果你不调用arrange，你将得到列d，然后是c，因为过滤后的观察顺序。