merge.jpg
Merge with dplyr()
Dplyr提供了一种很好的、方便的组合数据集的方法。
Left_join()right_join()inner_join()full_join()
首先，我们建立两个数据集。表1包含两个变量，ID和y，而表2包含了ID和z。在每种情况下，我们都需要有一个关键变量。在本例中，ID是关键变量。该函数将在两个表中寻找相同的值，并将返回值添加到表1的右侧。
library(dplyr)
df_primary <- tribble(
~ID, ~y,
"A", 5,
"B", 5,
"C", 8,
"D", 0,
"F", 9)
df_secondary <- tribble(
~ID, ~z,
"A", 30,
"B", 21,
"C", 22,
"D", 25,
"E", 29)
> df_primary
# A tibble: 5 x 2
ID y
<chr> <dbl>
1 A 5
2 B 5
3 C 8
4 D 0
5 F 9
> df_secondary
# A tibble: 5 x 2
ID z
<chr> <dbl>
1 A 30
2 B 21
3 C 22
4 D 25
5 E 29
left_join()
合并两个数据集的最常见方法是使用left_join()函数。我们可以从下面的图片中看到，关键变量完美地匹配了两个数据集中的行A、B、C和D。但是，剩下E和F。我们如何看待这两个观察结果?使用left_join()，我们将在原始表中保留所有变量，而不考虑目标表中没有匹配到的变量。在我们的示例中，变量E不存在于表1中。因此，该行将被删除。变量F来自原始表，因此它将保留在left_join()之后，并在列z显示为NA。如下图所示：
210510_1
left_join(df_primary, df_secondary, by ='ID')
> left_join(df_primary, df_secondary, by ='ID')
# A tibble: 5 x 3
ID y z
<chr> <dbl> <dbl>
1 A 5 30
2 B 5 21
3 C 8 22
4 D 0 25
5 F 9 NA
right_join()
right_join()函数的工作方式与left_join()完全相同。唯一的区别是被删除的行。right_join()将目标数据集中的变量E存在于新表中，并为列y取值NA。
210510_2
right_join(df_primary, df_secondary, by = 'ID')
> right_join(df_primary, df_secondary, by = 'ID')
# A tibble: 5 x 3
ID y z
<chr> <dbl> <dbl>
1 A 5 30
2 B 5 21
3 C 8 22
4 D 0 25
5 E NA 29
inner_join()
当两个数据集不匹配时，我们可以考虑只返回两个数据集中存在的行。inner_join()可以排除不匹配的行。
210510_3
inner_join(df_primary, df_secondary, by ='ID')
> inner_join(df_primary, df_secondary, by ='ID')
# A tibble: 4 x 3
ID y z
<chr> <dbl> <dbl>
1 A 5 30
2 B 5 21
3 C 8 22
4 D 0 25
full_join()
full_join()函数保留所有的观察结果，并用NA替换缺失的值。
210510_4
full_join(df_primary, df_secondary, by = 'ID')
> full_join(df_primary, df_secondary, by = 'ID')
# A tibble: 6 x 3
ID y z
<chr> <dbl> <dbl>
1 A 5 30
2 B 5 21
3 C 8 22
4 D 0 25
5 F 9 NA
6 E NA 29
Multiple keys pairs
如果有多个关键变量时，则需一起使用。
210510_5
df_primary <- tribble(
~ID, ~year, ~items,
"A", 2015,3,
"A", 2016,7,
"A", 2017,6,
"B", 2015,4,
"B", 2016,8,
"B", 2017,7,
"C", 2015,4,
"C", 2016,6,
"C", 2017,6)
df_secondary <- tribble(
~ID, ~year, ~prices,
"A", 2015,9,
"A", 2016,8,
"A", 2017,12,
"B", 2015,13,
"B", 2016,14,
"B", 2017,6,
"C", 2015,15,
"C", 2016,15,
"C", 2017,13)
left_join(df_primary, df_secondary, by = c('ID', 'year'))
> left_join(df_primary, df_secondary, by = c('ID', 'year'))
# A tibble: 9 x 4
ID year items prices
<chr> <dbl> <dbl> <dbl>
1 A 2015 3 9
2 A 2016 7 8
3 A 2017 6 12
4 B 2015 4 13
5 B 2016 8 14
6 B 2017 7 6
7 C 2015 4 15
8 C 2016 6 15
9 C 2017 6 13
相关文章：
