代码之家 › 专栏 › 技术社区 › dan

连接数据帧而不返回所有匹配组合

purrr dplyr join dataframe r

dan · 技术社区 · 7 年前

我有一个 list 属于 data.frame S(本例中仅2个):

set.seed(1)

df1 <- data.frame(id = sample(LETTERS,50,replace=T), val = rnorm(50), val1 = rnorm(50), stringsAsFactors = F)
df2 <- data.frame(id = sample(LETTERS,30,replace=T), val = rnorm(30), val2 = rnorm(30), stringsAsFactors = F)

df.list <- list(df1,df2)

我想 join 它们变成了一个单曲 数据帧 只有共享列名的子集,在本例中 id .

如果我使用:

library(dplyr)
df <- df.list %>% purrr::reduce(dplyr::inner_join,by="id")

我没有加入的共享列名称会随着 x 和 y 足够的:

  id       val.x       val1     val.y       val2
1  G -0.05612874  0.2914462  2.087167  0.7876396
2  G -0.05612874  0.2914462 -0.255027  1.4411577
3  J -0.15579551 -0.4432919 -1.286301  1.0273924

实际上,对于我没有加入的共享列名,从列表中的一个data.frame中选择它们就足够了—只要它们存在于wrt中,就可以选择加入的列。 身份证件 .

我不知道这些共享的列名,但不难发现:

例如。:

df.list.colnames <- unlist(lapply(df.list,function(l) colnames(l %>% dplyr::select(-id))))
df.list.colnames <- table(df.list.colnames)
repeating.colnames <- names(df.list.colnames)[which(df.list.colnames > 1)]

这样我就可以把它们和 数据帧 S在 列表 :

repeating.colnames.df <- do.call(rbind,lapply(df.list,function(r) r %>% dplyr::select_(.dots = c("id",repeating.colnames)))) %>%
  unique()

我可以加入 数据帧 s不包括这些列:

然后如上所述加入他们:

for(r in 1:length(df.list)) df.list[[r]] <- df.list[[r]] %>% dplyr::select_(.dots = paste0("-",repeating.colnames))
df <- df.list %>% purrr::reduce(dplyr::inner_join,by="id")

现在我要添加 repeating.colnames.df 对此。我什么都不知道 参加 在里面 dplyr 不会返回所有组合 df 和 重复.colname.df 所以我能做的就是 apply 超过每一个 df$id ,选择第一场比赛 重复.colname.df 并将结果与 东风 .

在这种情况下有没有什么比这更麻烦的?

2 回复 | 直到 7 年前

Chase 7 年前

如果我正确地遵循了,我认为您可以通过编写一个自定义函数来处理这个问题。 reduce 它标识公共列名称(不包括联接列),并从合并中的“第二个”表中排除这些列。AS 减少 通过列表,函数将“累计”唯一列,默认为“最左边”表中的列。

像这样:

library(dplyr)
library(purrr)
set.seed(1)
df1 <- data.frame(id = sample(LETTERS,50,replace=T), val = rnorm(50), val1 = rnorm(50), stringsAsFactors = F)
df2 <- data.frame(id = sample(LETTERS,30,replace=T), val = rnorm(30), val2 = rnorm(30), stringsAsFactors = F)
df.list <- list(df1,df2)

fun <- function(df1, df2, by_col = "id"){
  df1_names <- names(df1)
  df2_names <- names(df2)
  dup_cols <- intersect(df1_names[!df1_names %in% by_col], df2_names[!df2_names %in% by_col])
  out <- dplyr::inner_join(df1, df2[, !(df2_names %in% dup_cols)], by = by_col)
  return(out)
}

df_chase <- df.list %>% reduce(fun,by_col="id")

^{创建日期:2019-01-15

reprex package

(v0.2.1)}

如果我比较 df_chase 对于您的最终解决方案,我给出了相同的答案:

> all.equal(df_chase, df_orig)
[1] TRUE

aljabadi 7 年前

如果您说您不真正关心这些列,只需使用 base::merge :

set.seed(1)

df1 <- data.frame(id = sample(LETTERS,50,replace=T), val = rnorm(50), val1 = rnorm(50), stringsAsFactors = F)
df2 <- data.frame(id = sample(LETTERS,30,replace=T), val = rnorm(30), val2 = rnorm(30), stringsAsFactors = F)


duplicates = names(df1) == names(df2) & names(df1) !="id"

df2 = df2[,!duplicates]
df12 = base::merge.data.frame(df1, df2, by = "id")
head(df12)