Zusammenführen von Datenrahmen (innen, außen, links, rechts)

Question

Gegeben sind zwei Datenrahmen:

df1 = data.frame(CustomerId = c(1:6), Product = c(rep("Toaster", 3), rep("Radio", 3)))
df2 = data.frame(CustomerId = c(2, 4, 6), State = c(rep("Alabama", 2), rep("Ohio", 1)))

df1
#  CustomerId Product
#           1 Toaster
#           2 Toaster
#           3 Toaster
#           4   Radio
#           5   Radio
#           6   Radio

df2
#  CustomerId   State
#           2 Alabama
#           4 Alabama
#           6    Ohio

Wie kann ich den Datenbankstil, d.h., sql-stil, joins ? Das heißt, wie bekomme ich:

• Eine innere Verknüpfung de df1 y df2 :
  Gibt nur die Zeilen zurück, in denen die linke Tabelle übereinstimmende Schlüssel in der rechten Tabelle hat.
• Eine äußere Verbindung de df1 y df2 :
  Gibt alle Zeilen aus beiden Tabellen zurück, verbindet Datensätze aus der linken Tabelle, die übereinstimmende Schlüssel in der rechten Tabelle haben.
• A Left Outer Join (oder einfach Left Join) de df1 y df2
  Gibt alle Zeilen aus der linken Tabelle und alle Zeilen mit übereinstimmenden Schlüsseln aus der rechten Tabelle zurück.
• A rechte äußere Verbindung de df1 y df2
  Gibt alle Zeilen aus der rechten Tabelle und alle Zeilen mit übereinstimmenden Schlüsseln aus der linken Tabelle zurück.

---

Extra Kredit:

Wie kann ich eine SQL-ähnliche Select-Anweisung ausführen?

Answer 1

Durch die Verwendung des merge Funktion und ihre optionalen Parameter:

Innere Verbindung: merge(df1, df2) funktioniert für diese Beispiele, weil R die Frames automatisch durch gemeinsame Variablennamen verbindet, aber Sie würden wahrscheinlich angeben wollen merge(df1, df2, by = "CustomerId") um sicherzustellen, dass Sie nur die gewünschten Felder abgleichen. Sie können auch die by.x y by.y Parameter, wenn die übereinstimmenden Variablen in den verschiedenen Datenrahmen unterschiedliche Namen haben.

Äußere Verbindung: merge(x = df1, y = df2, by = "CustomerId", all = TRUE)

Links außen: merge(x = df1, y = df2, by = "CustomerId", all.x = TRUE)

Rechts außen: merge(x = df1, y = df2, by = "CustomerId", all.y = TRUE)

Kreuzverbindung: merge(x = df1, y = df2, by = NULL)

Genau wie bei der inneren Verknüpfung möchten Sie wahrscheinlich "CustomerId" explizit als übereinstimmende Variable an R übergeben. Ich denke, es ist fast immer am besten, die Bezeichner, die Sie zusammenführen wollen, explizit anzugeben; das ist sicherer, wenn sich die eingegebenen data.frames unerwartet ändern, und später leichter zu lesen.

Sie können auf mehrere Spalten zusammenführen, indem Sie by einen Vektor, z.B., by = c("CustomerId", "OrderId") .

Wenn die Spaltennamen, die zusammengeführt werden sollen, nicht identisch sind, können Sie z. B. angeben, by.x = "CustomerId_in_df1", by.y = "CustomerId_in_df2" donde CustomerId_in_df1 ist der Name der Spalte im ersten Datenrahmen und CustomerId_in_df2 ist der Name der Spalte im zweiten Datenrahmen. (Dies können auch Vektoren sein, wenn Sie mehrere Spalten zusammenführen müssen).

Answer 2

Ich würde empfehlen, sich die Das Paket sqldf von Gabor Grothendieck die es Ihnen ermöglicht, diese Operationen in SQL auszudrücken.

library(sqldf)

## inner join
df3 <- sqldf("SELECT CustomerId, Product, State 
              FROM df1
              JOIN df2 USING(CustomerID)")

## left join (substitute 'right' for right join)
df4 <- sqldf("SELECT CustomerId, Product, State 
              FROM df1
              LEFT JOIN df2 USING(CustomerID)")

Ich finde die SQL-Syntax einfacher und natürlicher als ihr R-Äquivalent (aber das mag nur meine RDBMS-Vorurteile widerspiegeln).

Ver Gabors sqldf GitHub für weitere Informationen über Verbindungen.

Answer 3

Sie können auch Verbindungen herstellen, indem Sie Hadley Wickhams großartiges dplyr Paket.

library(dplyr)

#make sure that CustomerId cols are both type numeric
#they ARE not using the provided code in question and dplyr will complain
df1$CustomerId <- as.numeric(df1$CustomerId)
df2$CustomerId <- as.numeric(df2$CustomerId)

Mutating Joins: Hinzufügen von Spalten zu df1 anhand von Übereinstimmungen in df2

#inner
inner_join(df1, df2)

#left outer
left_join(df1, df2)

#right outer
right_join(df1, df2)

#alternate right outer
left_join(df2, df1)

#full join
full_join(df1, df2)

Filtern von Joins: Zeilen in df1 herausfiltern, Spalten nicht ändern

semi_join(df1, df2) #keep only observations in df1 that match in df2.
anti_join(df1, df2) #drops all observations in df1 that match in df2.

Answer 4

Es gibt die Daten.Tabelle Ansatz für eine innere Verknüpfung, der sehr zeit- und speichereffizient ist (und für einige größere data.frames notwendig):

library(data.table)

dt1 <- data.table(df1, key = "CustomerId") 
dt2 <- data.table(df2, key = "CustomerId")

joined.dt1.dt.2 <- dt1[dt2]

merge funktioniert auch bei data.tables (da es generisch ist und die merge.data.table )

merge(dt1, dt2)

data.table auf Stackoverflow dokumentiert:
Wie führt man eine data.table-Zusammenführung durch?
Übersetzen von SQL-Joins auf Fremdschlüsseln in die Syntax von R data.table
Effiziente Alternativen zum Zusammenführen für größere Datenrahmen R
Wie macht man einen einfachen Left Outer Join mit data.table in R?

Eine weitere Möglichkeit ist die join Funktion, die in der plyr Paket

library(plyr)

join(df1, df2,
     type = "inner")

#   CustomerId Product   State
# 1          2 Toaster Alabama
# 2          4   Radio Alabama
# 3          6   Radio    Ohio

Optionen für type : inner , left , right , full .

Von ?join : Im Gegensatz zu merge , [ join ] behält die Reihenfolge von x bei, unabhängig davon, welche Verknüpfungsart verwendet wird.

Answer 5

Es gibt einige gute Beispiele für diese Vorgehensweise auf der R Wiki . Ich werde hier ein paar klauen:

Zusammenführungsmethode

Da Ihre Schlüssel gleich benannt sind, ist der kürzeste Weg, eine innere Verknüpfung durchzuführen, merge():

merge(df1, df2)

eine vollständige innere Verknüpfung (alle Datensätze aus beiden Tabellen) kann mit dem Schlüsselwort "all" erstellt werden:

merge(df1, df2, all=TRUE)

eine linke äußere Verknüpfung von df1 und df2:

merge(df1, df2, all.x=TRUE)

eine rechte äußere Verknüpfung von df1 und df2:

merge(df1, df2, all.y=TRUE)

du kannst sie umdrehen, schlagen und reiben, um die anderen beiden äußeren Verbindungen zu erhalten, nach denen du gefragt hast :)

Subscript-Methode

Eine linke äußere Verknüpfung mit df1 auf der linken Seite unter Verwendung einer tiefgestellten Methode wäre wie folgt:

df1[,"State"]<-df2[df1[ ,"Product"], "State"]

Die andere Kombination äußerer Verknüpfungen kann erstellt werden, indem man das Beispiel für die linke äußere Verknüpfung umschreibt. (ja, ich weiß, das ist das Äquivalent zu "Ich überlasse es dem Leser als Übung...")