在 R 中合并数据框：完全匹配和部分匹配

由： 伊芙琳·克拉克 伊芙琳·克拉克
Hours 更新

我们经常有来自多个来源的数据。要进行分析，我们需要 合并 两个数据框以及一个或多个 共同关键变量.

在本教程中，您将学习

全场比赛

完全匹配会返回目标表中有对应值的值。不匹配的值不会返回到新数据框中。但是，部分匹配会将缺失值返回为 NA。

我们将看到一个简单的 内连接。inner join 关键字选择两个表中具有匹配值的记录。要连接两个数据集，我们可以使用merge（）函数。我们将使用三个参数：

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

计费示例：

使用变量创建第一个数据集

  • 姓
  • 国籍

使用变量创建第二个数据集

  • 姓
  • 电影

共同的关键变量是姓氏。我们可以合并两个数据并检查维度是否为 7×3。

我们在数据框中添加 stringsAsFactors=FALSE，因为我们不想 R 要将字符串转换为因子，我们希望将变量视为字符。

# 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)

输出：

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

当公共关键变量具有不同名称时，让我们合并数据框。

我们将电影数据框中的姓氏改为名字。我们使用函数identical(x1, x2)来检查两个数据框是否相同。

# 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)

输出：

##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)

输出：

## [1] TRUE

这表明即使列名不同也会执行合并操作。

部分匹配

两个数据框没有相同的公共关键变量并不奇怪。在 完全匹配，数据框返回 仅由 在 x 和 y 数据框中均找到行。使用 部分合并，可以保留另一个数据框中没有匹配行的行。这些行在通常用 y 的值填充的列中将为 NA。我们可以通过设置 all.x= TRUE 来实现这一点。

例如，我们可以在制片人数据框中添加新的制片人 Lucas，而无需在电影数据框中添加电影引用。如果我们设置 all.x= FALSE，R 将仅连接两个数据集中的匹配值。在我们的例子中，制片人 Lucas 将不会加入合并，因为它在一个数据集中缺失。

让我们看看当我们指定 all.x= TRUE 时和不指定时每个输出的维度。

# 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

输出：

部分匹配

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

输出：

## [1] 7 3
dim(m2)

输出：

## [1] 7 3
dim(m3)

输出：

## [1] 8 3

我们可以看到，新数据框的尺寸为 8×3，而 m7 和 m3 的尺寸为 1×2。R 在书籍数据框中包含了缺失作者的 NA。