Flet datarammer i R: Fuld og delvis match

Meget ofte har vi data fra flere kilder. For at udføre en analyse skal vi fusionere to datarammer sammen med en eller flere almindelige nøglevariabler.

I denne tutorial lærer du

• Fuld match
• Delvis match

Fuld match

Et fuldt match returnerer værdier, der har en modpart i destinationstabellen. De værdier, der ikke stemmer overens, returneres ikke i den nye dataramme. Den delvise match returnerer imidlertid de manglende værdier som NA.

Vi vil se en enkel indre sammenføjning. Inder join-nøgleordet vælger poster, der har matchende værdier i begge tabeller. For at forbinde to datasæt kan vi bruge merge()-funktionen. Vi vil bruge tre argumenter:

merge(x, y, by.x = x, by.y = y)

Arguments:
-x: The origin data frame
-y: The data frame to merge
-by.x: The column used for merging in x data frame. Column x to merge on
-by.y: The column used for merging in y data frame. Column y to merge on

Eksempel:

Opret første datasæt med variabler

• efternavn
• nationalitet

Opret andet datasæt med variabler

• efternavn
• film

Den fælles nøglevariabel er efternavn. Vi kan slå begge data sammen og tjekke om dimensionaliteten er 7×3.

Vi tilføjer stringsAsFactors=FALSE i datarammen, fordi vi ikke vil R for at konvertere streng som faktor, ønsker vi, at variablen skal behandles som tegn.

# Create origin dataframe(

producers <- data.frame(   
    surname =  c("Spielberg","Scorsese","Hitchcock","Tarantino","Polanski"),    
    nationality = c("US","US","UK","US","Poland"),    
    stringsAsFactors=FALSE)

# Create destination dataframe
movies <- data.frame(    
    surname = c("Spielberg",
		"Scorsese",
                "Hitchcock",
              	"Hitchcock",
                "Spielberg",
                "Tarantino",
                "Polanski"),    
    title = c("Super 8",
    		"Taxi Driver",
    		"Psycho",
    		"North by Northwest",
    		"Catch Me If You Can",
    		"Reservoir Dogs","Chinatown"),                
     		stringsAsFactors=FALSE)

# Merge two datasets
m1 <- merge(producers, movies, by.x = "surname")
m1
dim(m1)

Output:

surname		nationality		title
1 Hitchcock		UK		Psycho
2 Hitchcock		UK		North by Northwest
3 Polanski		Poland		Chinatown
4 Scorsese		US		Taxi Driver
5 Spielberg		US		Super 8
6 Spielberg		US		Catch Me If You Can
7 Tarantino		US		Reservoir Dogs

Lad os flette datarammer, når de fælles nøglevariabler har forskellige navne.

Vi ændrer efternavn til navn i filmens dataramme. Vi bruger funktionen identisk(x1, x2) til at kontrollere, om begge datarammer er identiske.

# Change name of ` movies ` dataframe
colnames(movies)[colnames(movies) == 'surname'] <- 'name'
# Merge with different key value
m2 <- merge(producers, movies, by.x = "surname", by.y = "name")
# Print head of the data
head(m2)

Output:

##surname     nationality		title
## 1 Hitchcock          UK		Psycho
## 2 Hitchcock          UK		North by Northwest
## 3 Polanski          Poland		Chinatown
## 4 Scorsese           US		Taxi Driver
## 5 Spielberg          US		Super 8
## 6 Spielberg          US		Catch Me If You Can

# Check if data are identical
identical(m1, m2)

Output:

## [1] TRUE

Dette viser, at fletteoperationen udføres, selvom kolonnenavnene er forskellige.

Delvis match

Det er ikke overraskende, at to datarammer ikke har de samme fælles nøglevariabler. I den fuld matchning, returnerer datarammen kun rækker fundet i både x- og y-dataramme. Med delvis sammensmeltning, er det muligt at beholde rækkerne uden matchende rækker i den anden dataramme. Disse rækker vil have NA i de kolonner, der normalt er fyldt med værdier fra y. Det kan vi gøre ved at indstille all.x= TRUE.

For eksempel kan vi tilføje en ny producent, Lucas, i producentens dataramme uden filmreferencerne i filmdatarammen. Hvis vi sætter all.x= FALSE, vil R kun forbinde de matchende værdier i begge datasæt. I vores tilfælde vil producenten Lucas ikke deltage i fusionen, fordi den mangler i ét datasæt.

Lad os se dimensionen af ​​hvert output, når vi angiver all.x= TRUE, og hvornår vi ikke gør det.

# Create a new producer
add_producer <-  c('Lucas', 'US')
#  Append it to the ` producer` dataframe
producers <- rbind(producers, add_producer)
# Use a partial merge 
m3 <-merge(producers, movies, by.x = "surname", by.y = "name", all.x = TRUE)
m3

Output:

# Compare the dimension of each data frame
dim(m1)

Output:

## [1] 7 3

dim(m2)

Output:

## [1] 7 3

dim(m3)

Output:

## [1] 8 3

Som vi kan se, er dimensionen af ​​den nye dataramme 8×3 sammenlignet med 7×3 for m1 og m2. R inkluderer NA for den manglende forfatter i bogens dataramme.