合并 R 中的数据框：完全匹配和部分匹配

作者： Evelyn Clarke Evelyn Clarke
小时 - 权威教程 更新于

很多时候，我们有来自多个来源的数据。要执行分析，我们需要使用一个或多个**共同键变量**将两个数据框**合并**在一起。

在本教程中，您将学习

完全匹配

完全匹配会返回在目标表中具有对应项的值。不匹配的值将不会在新数据框中返回。然而，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**。内连接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

示例

创建第一个包含变量的数据集

  • 姓氏
  • 国籍

创建第二个包含变量的数据集

  • 姓氏
  • 电影

共同的键变量是姓氏。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，因为我们不希望 R 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

当共同键变量的名称不同时，我们来合并数据框。

我们将 movies 数据框中的 surname 改为 name。我们使用 identical(x1, x2) 函数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，合并操作也会执行。

部分匹配

两个数据框具有相同的共同键变量并不奇怪。在**完全匹配**中，数据框**仅**返回 x 和 y 数据集中找到的行。通过**部分合并**，可以保留与其他数据框中没有匹配行的行。这些行将在通常填充 y 值数据的列中具有 NA。我们可以通过将 all.x 设置为 TRUE 来实现此目的。

例如，我们可以在 producer 数据框中添加一个新制作人 Lucas，而 movies 数据框中没有电影引用。如果我们设置 all.x= FALSE，R 将仅连接两个数据集中匹配的值。在我们的例子中，制作人 Lucas 将不会被合并，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 和不指定 all.x= TRUE 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

Partial Match

# 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

可以看到，新数据框的维度为 8×3，而 m1 和 m2 的维度为 7×3。R 为 books 数据框中缺失的作者包含 NA。