代码之家 › 专栏 › 技术社区 › Ratnanil

通过多个部分匹配联接表

dplyr join r

-1

Ratnanil · 技术社区 · 8 年前

我有一张表描述了一条列车轨道,每条线路都是轨道的一段,其中 from 和 to 车站以及 trackID 和 segment -站名是完全随机的,不像这里显示的那样有结构。

tracks <- data.frame(
  trackID = c(rep("A",4),rep("B",4)),
  segment = letters[1:8],
  from = paste0("station_1",1:8),
  to = paste0("station_2",1:8)
  )

tracks 

  trackID segment       from         to
1       A       a station_11 station_21
2       A       b station_12 station_22
3       A       c station_13 station_23
4       A       d station_14 station_24
5       B       e station_15 station_25
6       B       f station_16 station_26
7       B       g station_17 station_27
8       B       h station_18 station_28

我在这列火车上又订了一张有目击证人的桌子,我想知道发生了什么事 跟踪ID 每次目击。表格如下:

sightings <- data.frame(from = c("station_24","station_28","station_14"),
                    to = c("station_14","station_16","station_25"))

sightings 

        from         to
1 station_24 station_14
2 station_28 station_16
3 station_14 station_25

我能够收集有关 跟踪ID 来自 到 和 从 目击表中提供的信息。但是, 从 和 到 在 sightings -表不符合 从 和 到 在 track -表: 从 和 到 可以在不同的部分和可以互换( 到 - 从 )在一些有问题的情况下, 从 和 到 是不同的 跟踪ID ,然后将不返回匹配项。本例所需的输出为:

        from         to trackID
1 station_24 station_14       A
2 station_28 station_16       B
3 station_14 station_25    <NA> # no match since station_14 and 25 are from two different trackIDs

在我看来,解决办法是 tracks 表格依据 跟踪ID 然后对字符串进行双部分匹配(使用 grepl() ?)下一行将处理崩溃,但我不知道从这里到哪里去。有人能给我指个方向吗?

解决方案 R / dplyr 非常喜欢,但我什么都要!

library(dplyr)
tracks %>%
  group_by(trackID) %>%
  summarise(
    from_to = paste(paste(from,collapse = ","),paste(to,collapse = ","),sep = ",")
    )

tracks

trackID from_to                                                                                
  <fct>   <chr>                                                                                  
1 A       station_11,station_12,station_13,station_14,station_21,station_22,station_23,station_24
2 B       station_15,station_16,station_17,station_18,station_25,station_26,station_27,station_28

编辑: 在我的极小例子中,我似乎过于简单化了我的问题。主要问题是车站( 从 和 到 )在表中不是唯一的,甚至不是唯一的 跟踪ID . 只有一个结合属于 到 和 从 是唯一的 跟踪ID . 我接受了这个答案,因为它解决了上述问题,但我也将提供我自己的解决方案,同时我已经提出了。

2 回复 | 直到 8 年前

1

r2evans 8 年前

双重联接可以工作。

注意:您似乎没有使用 segment ,所以我在这里放弃它,但如果需要的话,这可能会被改编。另外,我补充道 stringsAsFactors=FALSE 到您的数据,因为另外组合了 factor S可能有问题。)

library(dplyr)

tracksmod <- bind_rows(
  select(tracks, trackID, sta=from),
  select(tracks, trackID, sta=to)
)
head(tracksmod)
#   trackID        sta
# 1       A station_11
# 2       A station_12
# 3       A station_13
# 4       A station_14
# 5       B station_15
# 6       B station_16

sightings %>%
  left_join(select(tracksmod, trackID, from=sta), by="from") %>%
  left_join(select(tracksmod, trackID2=trackID, to=sta), by="to") %>%
  mutate(trackID = if_else(trackID == trackID2, trackID, NA_character_)) %>%
  select(-trackID2)
#         from         to trackID
# 1 station_24 station_14       A
# 2 station_28 station_16       B
# 3 station_14 station_25    <NA>

我不认为方向性很重要。也就是说,我不认为 from 必须始终在 从 列。这就是我改变信仰的原因 tracks 到 tracksmod ,以便用ID标识一个站,而不管方向如何。

2

0

Ratnanil 8 年前

正如我在问题编辑中所说,我在最简单的例子中过于简单化了我的问题。这里是数据的更新版本,更准确地类似于我的数据。我还添加了 stringsAsFactor = F 正如@r2evans所评论的。

tracks <- data.frame(
  trackID = c(rep("A",4),rep("B",4)),
  segment = letters[1:8],
  from = paste0("station_1",c(1:4,1,2,5,6)),
  to = paste0("station_2",1:8),
  stringsAsFactors = F
  )

sightings <- data.frame(
  from = c("station_24","station_28","station_14"),
  to = c("station_14","station_11","station_25"),
  trackID = c("A","B",NA),
  stringsAsFactors = F
)

我把这个问题解决了 tracks 表的基础 trackID 然后使用 purrr 包以嵌套方式使用循环函数。

library(dplyr)

# Collapsing the tracks-dataframe
tracks_collapse <- tracks %>%
  group_by(trackID) %>%
  summarise(
    from_to = paste(paste(from,collapse = ","),paste(to,collapse = ","),sep = ",")
    # from = list(from),
    # to = list(to),
    # stas = list(c(from,to))
    )

# a helper function to remove NAs when looking for matches
remove_na <- function(x){x[!is.na(x)]}

library(purrr)


pmap_dfr(sightings, function(from,to,trackID){                         # pmap_dfr runs over a data.frame and returns a data.frame
  data.frame(
    from = from,                                                       # recreates the sightings data.frame
    to = to,                                                           # dito
    trackID = paste(                                                   # collapses the resulting vector
      remove_na(                                                       # removes the NA values
        pmap_chr(                                                      # matches every row from the sightings-data.frame with the tracks-data.frame
          tracks_collapse,
          function(trackID,from_to){
            ifelse(grepl(from,from_to) & grepl(to,from_to),trackID,NA) # does partial string matching and returns the trackID if both strings match
            }
          )
        ),collapse = ","
      )
    )
  })

输出:

        from         to trackID
1 station_24 station_14       A
2 station_28 station_11       B
3 station_14 station_25    <NA>