¿Cómo unir (combinar) marcos de datos (interno, externo, izquierdo, derecho)?
Dados dos marcos de datos:
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
¿Cómo puedo hacer estilo de base de datos, es decir, estilo sql, joins? Es decir, cómo consigo:
- Una unión interior de
df1
ydf2
:
Devuelve solo las filas en las que la tabla de la izquierda tiene claves coincidentes en la tabla de la derecha. - Una unión exterior de
df1
ydf2
:
Devuelve todas las filas de ambas tablas, unir registros desde la izquierda que tienen claves coincidentes en la tabla derecha. - A exterior izquierdo join (o simplemente join izquierdo) de
df1
ydf2
Devuelve todas las filas de la tabla de la izquierda y todas las filas con teclas coincidentes de la tabla de la derecha. - A unión exterior derecha de
df1
ydf2
Devuelve todas las filas de la tabla derecha y todas las filas con las teclas coincidentes de la tabla izquierda.
Crédito extra:
¿Cómo puedo hacer una instrucción SQL style select?
13 answers
Usando la función merge
y sus parámetros opcionales:
Unión interior: merge(df1, df2)
funcionará para estos ejemplos porque R une automáticamente los marcos con nombres de variable comunes, pero lo más probable es que desee especificar merge(df1, df2, by = "CustomerId")
para asegurarse de que coincidía solo en los campos que desea. También puede usar los parámetros by.x
y by.y
si las variables coincidentes tienen diferentes nombres en los diferentes marcos de datos.
Exterior unirse: merge(x = df1, y = df2, by = "CustomerId", all = TRUE)
Exterior izquierdo: merge(x = df1, y = df2, by = "CustomerId", all.x = TRUE)
Exterior derecho: merge(x = df1, y = df2, by = "CustomerId", all.y = TRUE)
Cross join: merge(x = df1, y = df2, by = NULL)
Al igual que con la unión interna, probablemente desee pasar explícitamente "CustomerID" a R como la variable coincidente. Creo que casi siempre es mejor indicar explícitamente los identificadores en los que desea fusionar; es más seguro si los datos de entrada.los cuadros cambian inesperadamente y son más fáciles de lea más adelante.
Puede fusionarse en varias columnas dando by
un vector, por ejemplo, by = c("CustomerId", "OrderId")
.
Si los nombres de columna a combinar no son los mismos, puede especificar, por ejemplo, by.x = "CustomerId_in_df1",
by.y = "CustomerId_in_df2" where
CustomerId_in_df1is the name of the column in the first data frame and
CustomerId_in_df2` es el nombre de la columna en el segundo marco de datos. (Estos también pueden ser vectores si necesita fusionarse en varias columnas.)
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/ajaxhispano.com/template/agent.layouts/content.php on line 61
2018-05-04 15:43:49
Recomendaría revisar El paquete sqldf de Gabor Grothendieck, que le permite expresar estas operaciones en SQL.
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)")
Encuentro que la sintaxis SQL es más simple y más natural que su equivalente R (pero esto puede reflejar mi sesgo RDBMS).
Ver sqldf GitHub de Gabor para más información sobre las uniones.
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/ajaxhispano.com/template/agent.layouts/content.php on line 61
2015-06-12 07:25:09
Hay los datos .tabla aproximación para una unión interna, que es muy eficiente en tiempo y memoria (y necesaria para algunos datos más grandes.marcos):
library(data.table)
dt1 <- data.table(df1, key = "CustomerId")
dt2 <- data.table(df2, key = "CustomerId")
joined.dt1.dt.2 <- dt1[dt2]
merge
también funciona con datos.tablas (como es genérico y llama merge.data.table
)
merge(dt1, dt2)
Datos.tabla documentada en stackoverflow:
Cómo hacer un data.operación de fusión de tablas
Traducción de uniones SQL en claves foráneas a datos R.sintaxis de tabla
Alternativas eficientes para fusionar para grandes datos.cuadros R
Cómo hacer una unión externa izquierda básica con datos.tabla en R?
Otra opción es la función join
que se encuentra en el plyr paquete
library(plyr)
join(df1, df2,
type = "inner")
# CustomerId Product State
# 1 2 Toaster Alabama
# 2 4 Radio Alabama
# 3 6 Radio Ohio
Opciones para type
: inner
, left
, right
, full
.
De ?join
: A diferencia de merge
, [join
] conserva el orden de x sin importar qué tipo de unión se utilice.
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/ajaxhispano.com/template/agent.layouts/content.php on line 61
2017-06-11 07:48:14
También puedes hacer joins usando el paquete awesome dplyr de Hadley Wickham.
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)
Uniones mutantes: agregue columnas a df1 usando coincidencias en 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)
Filtrado de uniones: filtra filas en df1, no modifiques columnas
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.
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/ajaxhispano.com/template/agent.layouts/content.php on line 61
2016-09-29 15:35:59
Hay algunos buenos ejemplos de hacer esto en el Wiki de R. Voy a robar un par aquí:
Método de fusión
Dado que tus claves tienen el mismo nombre, la forma corta de hacer una unión interna es merge ():
merge(df1,df2)
Se puede crear una combinación interna completa (todos los registros de ambas tablas) con la palabra clave "all":
merge(df1,df2, all=TRUE)
Una unión externa izquierda de df1 y df2:
merge(df1,df2, all.x=TRUE)
Una unión externa derecha de df1 y df2:
merge(df1,df2, all.y=TRUE)
Puedes voltearlos, abofetearlos y frotar 'em down para obtener los otros dos outer joins que preguntaste:)
Método de subíndice
Una unión externa izquierda con df1 a la izquierda usando un método subíndice sería:
df1[,"State"]<-df2[df1[ ,"Product"], "State"]
La otra combinación de uniones externas se puede crear comiendo el ejemplo del subíndice de unión externa izquierdo. (sí, sé que es el equivalente a decir " Lo dejaré como un ejercicio para el lector...")
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/ajaxhispano.com/template/agent.layouts/content.php on line 61
2009-08-19 17:51:01
Nuevo en 2014:
Especialmente si también está interesado en la manipulación de datos en general (incluida la clasificación, el filtrado, el subconjunto, el resumen, etc.), definitivamente debe echar un vistazo a dplyr
, que viene con una variedad de funciones todas diseñadas para facilitar su trabajo específicamente con marcos de datos y ciertos otros tipos de bases de datos. Incluso ofrece una interfaz SQL bastante elaborada, e incluso una función para convertir (la mayoría) el código SQL directamente en R.
Los cuatro las funciones del paquete dplyr son (entre comillas):
-
inner_join(x, y, by = NULL, copy = FALSE, ...)
: devuelve todas las filas desde x donde hay valores coincidentes en y, y todas las columnas de x e y -
left_join(x, y, by = NULL, copy = FALSE, ...)
: devuelve todas las filas de x, y todas las columnas de x e y -
semi_join(x, y, by = NULL, copy = FALSE, ...)
: devuelve todas las filas de x donde hay valores coincidentes en y, manteniendo solo las columnas de x. -
anti_join(x, y, by = NULL, copy = FALSE, ...)
: devuelve todas las filas de x donde no hay valores coincidentes en y, manteniendo solo columnas de x
Es todo aquí con gran detalle.
La selección de columnas se puede hacer por select(df,"column")
. Si eso no es suficiente para usted, entonces está la función sql()
, en la que puede ingresar código SQL tal cual, y hará la operación que especificó tal como estaba escribiendo en R todo el tiempo (para más información, consulte la viñeta dplyr/databases). Por ejemplo, si se aplica correctamente, sql("SELECT * FROM hflights")
seleccionará todas las columnas de la tabla dplyr "hflights" (un "tbl").
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/ajaxhispano.com/template/agent.layouts/content.php on line 61
2015-08-25 20:22:07
Actualización de los datos.métodos de tabla para unir conjuntos de datos. Vea los siguientes ejemplos para cada tipo de unión. Hay dos métodos, uno de [.data.table
al pasar segundos datos.tabla como el primer argumento a subconjunto, otra forma es utilizar merge
función que envió a datos rápidos.método de la tabla.
Actualización sobre 2016-04-01-y no es broma de los inocentes!
En la versión 1.9.7 de los datos.las uniones de tabla ahora son capaces de usar el índice existente que reduce enormemente el tiempo de una unión. Infra code y benchmark NO utilizan datos.índices de tabla en join . Si está buscando unirse casi en tiempo real, debe usar datos.índices del cuadro.
df1 = data.frame(CustomerId = c(1:6), Product = c(rep("Toaster", 3), rep("Radio", 3)))
df2 = data.frame(CustomerId = c(2L, 4L, 7L), State = c(rep("Alabama", 2), rep("Ohio", 1))) # one value changed to show full outer join
library(data.table)
dt1 = as.data.table(df1)
dt2 = as.data.table(df2)
setkey(dt1, CustomerId)
setkey(dt2, CustomerId)
# right outer join keyed data.tables
dt1[dt2]
setkey(dt1, NULL)
setkey(dt2, NULL)
# right outer join unkeyed data.tables - use `on` argument
dt1[dt2, on = "CustomerId"]
# left outer join - swap dt1 with dt2
dt2[dt1, on = "CustomerId"]
# inner join - use `nomatch` argument
dt1[dt2, nomatch=0L, on = "CustomerId"]
# anti join - use `!` operator
dt1[!dt2, on = "CustomerId"]
# inner join
merge(dt1, dt2, by = "CustomerId")
# full outer join
merge(dt1, dt2, by = "CustomerId", all = TRUE)
# see ?merge.data.table arguments for other cases
Por debajo de pruebas de referencia base R, sqldf, dplyr y datos.tabla.
Benchmark prueba conjuntos de datos no marcados/no indexados. Puede obtener un rendimiento aún mejor si está utilizando claves en sus datos.tablas o índices con sqldf. Base R y dplyr no tienen índices o claves, por lo que no incluí ese escenario en benchmark.
Benchmark es realizado en conjuntos de datos de filas 5M-1, hay valores comunes de 5M-2 en la columna de unión, por lo que cada escenario (izquierda, derecha, completo, interno) se puede probar y la unión aún no es trivial de realizar.
library(microbenchmark)
library(sqldf)
library(dplyr)
library(data.table)
n = 5e6
set.seed(123)
df1 = data.frame(x=sample(n,n-1L), y1=rnorm(n-1L))
df2 = data.frame(x=sample(n,n-1L), y2=rnorm(n-1L))
dt1 = as.data.table(df1)
dt2 = as.data.table(df2)
# inner join
microbenchmark(times = 10L,
base = merge(df1, df2, by = "x"),
sqldf = sqldf("SELECT * FROM df1 INNER JOIN df2 ON df1.x = df2.x"),
dplyr = inner_join(df1, df2, by = "x"),
data.table = dt1[dt2, nomatch = 0L, on = "x"])
#Unit: milliseconds
# expr min lq mean median uq max neval
# base 15546.0097 16083.4915 16687.117 16539.0148 17388.290 18513.216 10
# sqldf 44392.6685 44709.7128 45096.401 45067.7461 45504.376 45563.472 10
# dplyr 4124.0068 4248.7758 4281.122 4272.3619 4342.829 4411.388 10
# data.table 937.2461 946.0227 1053.411 973.0805 1214.300 1281.958 10
# left outer join
microbenchmark(times = 10L,
base = merge(df1, df2, by = "x", all.x = TRUE),
sqldf = sqldf("SELECT * FROM df1 LEFT OUTER JOIN df2 ON df1.x = df2.x"),
dplyr = left_join(df1, df2, by = c("x"="x")),
data.table = dt2[dt1, on = "x"])
#Unit: milliseconds
# expr min lq mean median uq max neval
# base 16140.791 17107.7366 17441.9538 17414.6263 17821.9035 19453.034 10
# sqldf 43656.633 44141.9186 44777.1872 44498.7191 45288.7406 47108.900 10
# dplyr 4062.153 4352.8021 4780.3221 4409.1186 4450.9301 8385.050 10
# data.table 823.218 823.5557 901.0383 837.9206 883.3292 1277.239 10
# right outer join
microbenchmark(times = 10L,
base = merge(df1, df2, by = "x", all.y = TRUE),
sqldf = sqldf("SELECT * FROM df2 LEFT OUTER JOIN df1 ON df2.x = df1.x"),
dplyr = right_join(df1, df2, by = "x"),
data.table = dt1[dt2, on = "x"])
#Unit: milliseconds
# expr min lq mean median uq max neval
# base 15821.3351 15954.9927 16347.3093 16044.3500 16621.887 17604.794 10
# sqldf 43635.5308 43761.3532 43984.3682 43969.0081 44044.461 44499.891 10
# dplyr 3936.0329 4028.1239 4102.4167 4045.0854 4219.958 4307.350 10
# data.table 820.8535 835.9101 918.5243 887.0207 1005.721 1068.919 10
# full outer join
microbenchmark(times = 10L,
base = merge(df1, df2, by = "x", all = TRUE),
#sqldf = sqldf("SELECT * FROM df1 FULL OUTER JOIN df2 ON df1.x = df2.x"), # not supported
dplyr = full_join(df1, df2, by = "x"),
data.table = merge(dt1, dt2, by = "x", all = TRUE))
#Unit: seconds
# expr min lq mean median uq max neval
# base 16.176423 16.908908 17.485457 17.364857 18.271790 18.626762 10
# dplyr 7.610498 7.666426 7.745850 7.710638 7.832125 7.951426 10
# data.table 2.052590 2.130317 2.352626 2.208913 2.470721 2.951948 10
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/ajaxhispano.com/template/agent.layouts/content.php on line 61
2016-04-01 12:57:55
Dplyr desde 0.4 implementó todos esos joins incluyendo outer_join, pero vale la pena señalar que para las primeras versiones no solía ofrecer outer_join, y como resultado hubo una gran cantidad de código de usuario de solución hacky realmente malo flotando por un buen tiempo (todavía se puede encontrar esto en SO y Kaggle respuestas de ese período).
Relacionado con la unión aspectos destacados de la publicación :
- Manipulación para Tipo POSIXct, zonas horarias, duplicados, diferentes niveles de factor. Mejores errores y advertencias.
- Nuevo argumento de sufijo para controlar qué sufijo reciben los nombres de variables duplicadas (#1296)
- Implementar unión derecha y unión exterior (#96)
- Uniones mutantes, que agregan nuevas variables a una tabla a partir de filas coincidentes en otra. Filtrar uniones, que filtran las observaciones de una tabla en función de si coinciden o no con una observación en la otra tabla.
- Ahora puede left_join por diferentes variables en cada tabla: df1 % > % left_join (df2, c ("var1" = "var2"))
- * _join () ya no reordena los nombres de columna (#324)
v0.1.3 (4/2014)
- tiene inner_join, left_join, semi_join, anti_join
- outer_join aún no implementado, el recurso alternativo es usar base:: merge () (o plyr::join ())
- no implementar right_join y outer_join
- Hadley mencionando otras ventajas aquí
- una combinación de características menor actualmente tiene que dplyr no es la capacidad de tener separado por.x, by.y columns como por ejemplo Python pandas lo hace.
Soluciones según los comentarios de hadley en que cuestión:
- right_join (x,y) es lo mismo que left_join(y,x) en términos de filas, solo las columnas serán órdenes diferentes. Se trabaja fácilmente con select (new_column_order)
- outer_join es básicamente union(left_join(x, y), right_join(x, y)) - es decir, preservar todas las filas en ambos marcos de datos.
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/ajaxhispano.com/template/agent.layouts/content.php on line 61
2018-05-31 12:18:48
Al unir dos marcos de datos con ~1 millón de filas cada uno, uno con 2 columnas y el otro con ~20, sorprendentemente he encontrado que merge(..., all.x = TRUE, all.y = TRUE)
es más rápido que dplyr::full_join()
. Esto es con dplyr v0. 4
Merge tarda ~17 segundos, full_join tarda ~65 segundos.
Algo de comida para, sin embargo, ya que generalmente default a dplyr para las tareas de manipulación.
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/ajaxhispano.com/template/agent.layouts/content.php on line 61
2015-03-31 17:26:48
Para el caso de una unión izquierda con una 0..*:0..1
cardinalidad o una unión derecha con una 0..1:0..*
cardinalidad, es posible asignar en su lugar las columnas unilaterales del ensamblador (la tabla 0..1
) directamente sobre el ensamblador (la tabla 0..*
), y así evitar la creación de una tabla de datos completamente nueva. Esto requiere hacer coincidir las columnas clave del carpintero con el carpintero e indexar + ordenar las filas del carpintero en consecuencia para la asignación.
Si la clave es una sola columna, entonces puede usar una sola llamada para match()
para hacer la coincidencia. Este es el caso que cubriré en esta respuesta.
Aquí hay un ejemplo basado en el OP, excepto que he agregado una fila adicional a df2
con un id de 7 para probar el caso de una clave no coincidente en el ensamblador. Esto es efectivamente df1
left join df2
:
df1 <- data.frame(CustomerId=1:6,Product=c(rep('Toaster',3L),rep('Radio',3L)));
df2 <- data.frame(CustomerId=c(2L,4L,6L,7L),State=c(rep('Alabama',2L),'Ohio','Texas'));
df1[names(df2)[-1L]] <- df2[match(df1[,1L],df2[,1L]),-1L];
df1;
## CustomerId Product State
## 1 1 Toaster <NA>
## 2 2 Toaster Alabama
## 3 3 Toaster <NA>
## 4 4 Radio Alabama
## 5 5 Radio <NA>
## 6 6 Radio Ohio
En lo anterior, codifiqué una suposición de que la columna clave es la primera columna de ambas tablas de entrada. Yo diría que, en general, esto no es irrazonable suposición, ya que, si usted tiene un dato.marco con una columna clave, sería extraño si no se hubiera configurado como la primera columna de los datos.enmarcar desde el principio. Y siempre puedes reordenar las columnas para que así sea. Una consecuencia ventajosa de esta suposición es que el nombre de la columna clave no tiene que estar codificado, aunque supongo que solo está reemplazando una suposición con otra. La concisión es otra ventaja de la indexación de enteros, así como la velocidad. En los puntos de referencia a continuación cambie la implementación para usar la indexación de nombres de cadena para que coincida con las implementaciones competidoras.
Creo que esta es una solución particularmente apropiada si tiene varias tablas que desea unir a la izquierda contra una sola tabla grande. Reconstruir repetidamente toda la tabla para cada fusión sería innecesario e ineficiente.
Por otro lado, si necesita que el afiliado permanezca inalterado a través de esta operación por cualquier razón, entonces esta solución no se puede usar, ya que se modifica el miembro directamente. Aunque en ese caso, simplemente podría hacer una copia y realizar la(s) asignación (es) en el lugar de la copia.
Como nota al margen, miré brevemente las posibles soluciones coincidentes para las claves multicolumna. Desafortunadamente, las únicas soluciones coincidentes que encontré fueron:
- concatenaciones ineficientes. por ejemplo,
match(interaction(df1$a,df1$b),interaction(df2$a,df2$b))
, o la misma idea conpaste()
. - conjunciones cartesianas ineficientes, por ejemplo
outer(df1$a,df2$a,`==`) & outer(df1$b,df2$b,`==`)
. - base R
merge()
y equivalente funciones de combinación basadas en paquetes, que siempre asignan una nueva tabla para devolver el resultado combinado y, por lo tanto, no son adecuadas para una solución basada en asignación in situ.
Por ejemplo, consulte Hacer coincidir varias columnas en diferentes marcos de datos y obtener otra columna como resultado, hacer coincidir dos columnas con otras dos columnas, Coincidiendo en múltiples columnas, y la víctima de esta pregunta donde originalmente se me ocurrió la solución en el lugar, Combinar dos marcos de datos con diferente número de filas en R .
Benchmarking
Decidí hacer mi propio benchmarking para ver cómo el enfoque de asignación in situ se compara con las otras soluciones que se han ofrecido en esta pregunta.
Código de prueba:
library(microbenchmark);
library(data.table);
library(sqldf);
library(plyr);
library(dplyr);
solSpecs <- list(
merge=list(testFuncs=list(
inner=function(df1,df2,key) merge(df1,df2,key),
left =function(df1,df2,key) merge(df1,df2,key,all.x=T),
right=function(df1,df2,key) merge(df1,df2,key,all.y=T),
full =function(df1,df2,key) merge(df1,df2,key,all=T)
)),
data.table.unkeyed=list(argSpec='data.table.unkeyed',testFuncs=list(
inner=function(dt1,dt2,key) dt1[dt2,on=key,nomatch=0L,allow.cartesian=T],
left =function(dt1,dt2,key) dt2[dt1,on=key,allow.cartesian=T],
right=function(dt1,dt2,key) dt1[dt2,on=key,allow.cartesian=T],
full =function(dt1,dt2,key) merge(dt1,dt2,key,all=T,allow.cartesian=T) ## calls merge.data.table()
)),
data.table.keyed=list(argSpec='data.table.keyed',testFuncs=list(
inner=function(dt1,dt2) dt1[dt2,nomatch=0L,allow.cartesian=T],
left =function(dt1,dt2) dt2[dt1,allow.cartesian=T],
right=function(dt1,dt2) dt1[dt2,allow.cartesian=T],
full =function(dt1,dt2) merge(dt1,dt2,all=T,allow.cartesian=T) ## calls merge.data.table()
)),
sqldf.unindexed=list(testFuncs=list( ## note: must pass connection=NULL to avoid running against the live DB connection, which would result in collisions with the residual tables from the last query upload
inner=function(df1,df2,key) sqldf(paste0('select * from df1 inner join df2 using(',paste(collapse=',',key),')'),connection=NULL),
left =function(df1,df2,key) sqldf(paste0('select * from df1 left join df2 using(',paste(collapse=',',key),')'),connection=NULL),
right=function(df1,df2,key) sqldf(paste0('select * from df2 left join df1 using(',paste(collapse=',',key),')'),connection=NULL) ## can't do right join proper, not yet supported; inverted left join is equivalent
##full =function(df1,df2,key) sqldf(paste0('select * from df1 full join df2 using(',paste(collapse=',',key),')'),connection=NULL) ## can't do full join proper, not yet supported; possible to hack it with a union of left joins, but too unreasonable to include in testing
)),
sqldf.indexed=list(testFuncs=list( ## important: requires an active DB connection with preindexed main.df1 and main.df2 ready to go; arguments are actually ignored
inner=function(df1,df2,key) sqldf(paste0('select * from main.df1 inner join main.df2 using(',paste(collapse=',',key),')')),
left =function(df1,df2,key) sqldf(paste0('select * from main.df1 left join main.df2 using(',paste(collapse=',',key),')')),
right=function(df1,df2,key) sqldf(paste0('select * from main.df2 left join main.df1 using(',paste(collapse=',',key),')')) ## can't do right join proper, not yet supported; inverted left join is equivalent
##full =function(df1,df2,key) sqldf(paste0('select * from main.df1 full join main.df2 using(',paste(collapse=',',key),')')) ## can't do full join proper, not yet supported; possible to hack it with a union of left joins, but too unreasonable to include in testing
)),
plyr=list(testFuncs=list(
inner=function(df1,df2,key) join(df1,df2,key,'inner'),
left =function(df1,df2,key) join(df1,df2,key,'left'),
right=function(df1,df2,key) join(df1,df2,key,'right'),
full =function(df1,df2,key) join(df1,df2,key,'full')
)),
dplyr=list(testFuncs=list(
inner=function(df1,df2,key) inner_join(df1,df2,key),
left =function(df1,df2,key) left_join(df1,df2,key),
right=function(df1,df2,key) right_join(df1,df2,key),
full =function(df1,df2,key) full_join(df1,df2,key)
)),
in.place=list(testFuncs=list(
left =function(df1,df2,key) { cns <- setdiff(names(df2),key); df1[cns] <- df2[match(df1[,key],df2[,key]),cns]; df1; },
right=function(df1,df2,key) { cns <- setdiff(names(df1),key); df2[cns] <- df1[match(df2[,key],df1[,key]),cns]; df2; }
))
);
getSolTypes <- function() names(solSpecs);
getJoinTypes <- function() unique(unlist(lapply(solSpecs,function(x) names(x$testFuncs))));
getArgSpec <- function(argSpecs,key=NULL) if (is.null(key)) argSpecs$default else argSpecs[[key]];
initSqldf <- function() {
sqldf(); ## creates sqlite connection on first run, cleans up and closes existing connection otherwise
if (exists('sqldfInitFlag',envir=globalenv(),inherits=F) && sqldfInitFlag) { ## false only on first run
sqldf(); ## creates a new connection
} else {
assign('sqldfInitFlag',T,envir=globalenv()); ## set to true for the one and only time
}; ## end if
invisible();
}; ## end initSqldf()
setUpBenchmarkCall <- function(argSpecs,joinType,solTypes=getSolTypes(),env=parent.frame()) {
## builds and returns a list of expressions suitable for passing to the list argument of microbenchmark(), and assigns variables to resolve symbol references in those expressions
callExpressions <- list();
nms <- character();
for (solType in solTypes) {
testFunc <- solSpecs[[solType]]$testFuncs[[joinType]];
if (is.null(testFunc)) next; ## this join type is not defined for this solution type
testFuncName <- paste0('tf.',solType);
assign(testFuncName,testFunc,envir=env);
argSpecKey <- solSpecs[[solType]]$argSpec;
argSpec <- getArgSpec(argSpecs,argSpecKey);
argList <- setNames(nm=names(argSpec$args),vector('list',length(argSpec$args)));
for (i in seq_along(argSpec$args)) {
argName <- paste0('tfa.',argSpecKey,i);
assign(argName,argSpec$args[[i]],envir=env);
argList[[i]] <- if (i%in%argSpec$copySpec) call('copy',as.symbol(argName)) else as.symbol(argName);
}; ## end for
callExpressions[[length(callExpressions)+1L]] <- do.call(call,c(list(testFuncName),argList),quote=T);
nms[length(nms)+1L] <- solType;
}; ## end for
names(callExpressions) <- nms;
callExpressions;
}; ## end setUpBenchmarkCall()
harmonize <- function(res) {
res <- as.data.frame(res); ## coerce to data.frame
for (ci in which(sapply(res,is.factor))) res[[ci]] <- as.character(res[[ci]]); ## coerce factor columns to character
for (ci in which(sapply(res,is.logical))) res[[ci]] <- as.integer(res[[ci]]); ## coerce logical columns to integer (works around sqldf quirk of munging logicals to integers)
##for (ci in which(sapply(res,inherits,'POSIXct'))) res[[ci]] <- as.double(res[[ci]]); ## coerce POSIXct columns to double (works around sqldf quirk of losing POSIXct class) ----- POSIXct doesn't work at all in sqldf.indexed
res <- res[order(names(res))]; ## order columns
res <- res[do.call(order,res),]; ## order rows
res;
}; ## end harmonize()
checkIdentical <- function(argSpecs,solTypes=getSolTypes()) {
for (joinType in getJoinTypes()) {
callExpressions <- setUpBenchmarkCall(argSpecs,joinType,solTypes);
if (length(callExpressions)<2L) next;
ex <- harmonize(eval(callExpressions[[1L]]));
for (i in seq(2L,len=length(callExpressions)-1L)) {
y <- harmonize(eval(callExpressions[[i]]));
if (!isTRUE(all.equal(ex,y,check.attributes=F))) {
ex <<- ex;
y <<- y;
solType <- names(callExpressions)[i];
stop(paste0('non-identical: ',solType,' ',joinType,'.'));
}; ## end if
}; ## end for
}; ## end for
invisible();
}; ## end checkIdentical()
testJoinType <- function(argSpecs,joinType,solTypes=getSolTypes(),metric=NULL,times=100L) {
callExpressions <- setUpBenchmarkCall(argSpecs,joinType,solTypes);
bm <- microbenchmark(list=callExpressions,times=times);
if (is.null(metric)) return(bm);
bm <- summary(bm);
res <- setNames(nm=names(callExpressions),bm[[metric]]);
attr(res,'unit') <- attr(bm,'unit');
res;
}; ## end testJoinType()
testAllJoinTypes <- function(argSpecs,solTypes=getSolTypes(),metric=NULL,times=100L) {
joinTypes <- getJoinTypes();
resList <- setNames(nm=joinTypes,lapply(joinTypes,function(joinType) testJoinType(argSpecs,joinType,solTypes,metric,times)));
if (is.null(metric)) return(resList);
units <- unname(unlist(lapply(resList,attr,'unit')));
res <- do.call(data.frame,c(list(join=joinTypes),setNames(nm=solTypes,rep(list(rep(NA_real_,length(joinTypes))),length(solTypes))),list(unit=units,stringsAsFactors=F)));
for (i in seq_along(resList)) res[i,match(names(resList[[i]]),names(res))] <- resList[[i]];
res;
}; ## end testAllJoinTypes()
testGrid <- function(makeArgSpecsFunc,sizes,overlaps,solTypes=getSolTypes(),joinTypes=getJoinTypes(),metric='median',times=100L) {
res <- expand.grid(size=sizes,overlap=overlaps,joinType=joinTypes,stringsAsFactors=F);
res[solTypes] <- NA_real_;
res$unit <- NA_character_;
for (ri in seq_len(nrow(res))) {
size <- res$size[ri];
overlap <- res$overlap[ri];
joinType <- res$joinType[ri];
argSpecs <- makeArgSpecsFunc(size,overlap);
checkIdentical(argSpecs,solTypes);
cur <- testJoinType(argSpecs,joinType,solTypes,metric,times);
res[ri,match(names(cur),names(res))] <- cur;
res$unit[ri] <- attr(cur,'unit');
}; ## end for
res;
}; ## end testGrid()
Aquí hay un punto de referencia del ejemplo basado en el OP que demostré anteriormente:
## OP's example, supplemented with a non-matching row in df2
argSpecs <- list(
default=list(copySpec=1:2,args=list(
df1 <- data.frame(CustomerId=1:6,Product=c(rep('Toaster',3L),rep('Radio',3L))),
df2 <- data.frame(CustomerId=c(2L,4L,6L,7L),State=c(rep('Alabama',2L),'Ohio','Texas')),
'CustomerId'
)),
data.table.unkeyed=list(copySpec=1:2,args=list(
as.data.table(df1),
as.data.table(df2),
'CustomerId'
)),
data.table.keyed=list(copySpec=1:2,args=list(
setkey(as.data.table(df1),CustomerId),
setkey(as.data.table(df2),CustomerId)
))
);
## prepare sqldf
initSqldf();
sqldf('create index df1_key on df1(CustomerId);'); ## upload and create an sqlite index on df1
sqldf('create index df2_key on df2(CustomerId);'); ## upload and create an sqlite index on df2
checkIdentical(argSpecs);
testAllJoinTypes(argSpecs,metric='median');
## join merge data.table.unkeyed data.table.keyed sqldf.unindexed sqldf.indexed plyr dplyr in.place unit
## 1 inner 644.259 861.9345 923.516 9157.752 1580.390 959.2250 270.9190 NA microseconds
## 2 left 713.539 888.0205 910.045 8820.334 1529.714 968.4195 270.9185 224.3045 microseconds
## 3 right 1221.804 909.1900 923.944 8930.668 1533.135 1063.7860 269.8495 218.1035 microseconds
## 4 full 1302.203 3107.5380 3184.729 NA NA 1593.6475 270.7055 NA microseconds
Aquí comparo datos de entrada aleatorios, probando diferentes escalas y diferentes patrones de superposición de claves entre las dos tablas de entrada. Este punto de referencia todavía está restringido al caso de una clave entera de una sola columna. Además, para garantizar que la solución in situ funcione tanto para las uniones izquierda como derecha de las mismas tablas, todos los datos de prueba aleatorios utilizan 0..1:0..1
cardinalidad. Esto se implementa mediante muestreo sin reemplazo de la columna clave de los primeros datos.frame al generar la columna clave de los segundos datos.marco.
makeArgSpecs.singleIntegerKey.optionalOneToOne <- function(size,overlap) {
com <- as.integer(size*overlap);
argSpecs <- list(
default=list(copySpec=1:2,args=list(
df1 <- data.frame(id=sample(size),y1=rnorm(size),y2=rnorm(size)),
df2 <- data.frame(id=sample(c(if (com>0L) sample(df1$id,com) else integer(),seq(size+1L,len=size-com))),y3=rnorm(size),y4=rnorm(size)),
'id'
)),
data.table.unkeyed=list(copySpec=1:2,args=list(
as.data.table(df1),
as.data.table(df2),
'id'
)),
data.table.keyed=list(copySpec=1:2,args=list(
setkey(as.data.table(df1),id),
setkey(as.data.table(df2),id)
))
);
## prepare sqldf
initSqldf();
sqldf('create index df1_key on df1(id);'); ## upload and create an sqlite index on df1
sqldf('create index df2_key on df2(id);'); ## upload and create an sqlite index on df2
argSpecs;
}; ## end makeArgSpecs.singleIntegerKey.optionalOneToOne()
## cross of various input sizes and key overlaps
sizes <- c(1e1L,1e3L,1e6L);
overlaps <- c(0.99,0.5,0.01);
system.time({ res <- testGrid(makeArgSpecs.singleIntegerKey.optionalOneToOne,sizes,overlaps); });
## user system elapsed
## 22024.65 12308.63 34493.19
Escribí algún código para crear gráficas log-log de la por encima de los resultados. Generé un gráfico separado para cada porcentaje de superposición. Es un poco desordenado, pero me gusta tener todos los tipos de solución y tipos de unión representados en la misma parcela.
Utilicé la interpolación spline para mostrar una curva suave para cada combinación de tipo solución/unión, dibujada con símbolos pch individuales. El tipo de unión es capturado por el símbolo pch, usando un punto para los corchetes de ángulo interno, izquierdo y derecho para izquierda y derecho, y un diamante para completo. Se captura el tipo de solución por el color como se muestra en la leyenda.
plotRes <- function(res,titleFunc,useFloor=F) {
solTypes <- setdiff(names(res),c('size','overlap','joinType','unit')); ## derive from res
normMult <- c(microseconds=1e-3,milliseconds=1); ## normalize to milliseconds
joinTypes <- getJoinTypes();
cols <- c(merge='purple',data.table.unkeyed='blue',data.table.keyed='#00DDDD',sqldf.unindexed='brown',sqldf.indexed='orange',plyr='red',dplyr='#00BB00',in.place='magenta');
pchs <- list(inner=20L,left='<',right='>',full=23L);
cexs <- c(inner=0.7,left=1,right=1,full=0.7);
NP <- 60L;
ord <- order(decreasing=T,colMeans(res[res$size==max(res$size),solTypes],na.rm=T));
ymajors <- data.frame(y=c(1,1e3),label=c('1ms','1s'),stringsAsFactors=F);
for (overlap in unique(res$overlap)) {
x1 <- res[res$overlap==overlap,];
x1[solTypes] <- x1[solTypes]*normMult[x1$unit]; x1$unit <- NULL;
xlim <- c(1e1,max(x1$size));
xticks <- 10^seq(log10(xlim[1L]),log10(xlim[2L]));
ylim <- c(1e-1,10^((if (useFloor) floor else ceiling)(log10(max(x1[solTypes],na.rm=T))))); ## use floor() to zoom in a little more, only sqldf.unindexed will break above, but xpd=NA will keep it visible
yticks <- 10^seq(log10(ylim[1L]),log10(ylim[2L]));
yticks.minor <- rep(yticks[-length(yticks)],each=9L)*1:9;
plot(NA,xlim=xlim,ylim=ylim,xaxs='i',yaxs='i',axes=F,xlab='size (rows)',ylab='time (ms)',log='xy');
abline(v=xticks,col='lightgrey');
abline(h=yticks.minor,col='lightgrey',lty=3L);
abline(h=yticks,col='lightgrey');
axis(1L,xticks,parse(text=sprintf('10^%d',as.integer(log10(xticks)))));
axis(2L,yticks,parse(text=sprintf('10^%d',as.integer(log10(yticks)))),las=1L);
axis(4L,ymajors$y,ymajors$label,las=1L,tick=F,cex.axis=0.7,hadj=0.5);
for (joinType in rev(joinTypes)) { ## reverse to draw full first, since it's larger and would be more obtrusive if drawn last
x2 <- x1[x1$joinType==joinType,];
for (solType in solTypes) {
if (any(!is.na(x2[[solType]]))) {
xy <- spline(x2$size,x2[[solType]],xout=10^(seq(log10(x2$size[1L]),log10(x2$size[nrow(x2)]),len=NP)));
points(xy$x,xy$y,pch=pchs[[joinType]],col=cols[solType],cex=cexs[joinType],xpd=NA);
}; ## end if
}; ## end for
}; ## end for
## custom legend
## due to logarithmic skew, must do all distance calcs in inches, and convert to user coords afterward
## the bottom-left corner of the legend will be defined in normalized figure coords, although we can convert to inches immediately
leg.cex <- 0.7;
leg.x.in <- grconvertX(0.275,'nfc','in');
leg.y.in <- grconvertY(0.6,'nfc','in');
leg.x.user <- grconvertX(leg.x.in,'in');
leg.y.user <- grconvertY(leg.y.in,'in');
leg.outpad.w.in <- 0.1;
leg.outpad.h.in <- 0.1;
leg.midpad.w.in <- 0.1;
leg.midpad.h.in <- 0.1;
leg.sol.w.in <- max(strwidth(solTypes,'in',leg.cex));
leg.sol.h.in <- max(strheight(solTypes,'in',leg.cex))*1.5; ## multiplication factor for greater line height
leg.join.w.in <- max(strheight(joinTypes,'in',leg.cex))*1.5; ## ditto
leg.join.h.in <- max(strwidth(joinTypes,'in',leg.cex));
leg.main.w.in <- leg.join.w.in*length(joinTypes);
leg.main.h.in <- leg.sol.h.in*length(solTypes);
leg.x2.user <- grconvertX(leg.x.in+leg.outpad.w.in*2+leg.main.w.in+leg.midpad.w.in+leg.sol.w.in,'in');
leg.y2.user <- grconvertY(leg.y.in+leg.outpad.h.in*2+leg.main.h.in+leg.midpad.h.in+leg.join.h.in,'in');
leg.cols.x.user <- grconvertX(leg.x.in+leg.outpad.w.in+leg.join.w.in*(0.5+seq(0L,length(joinTypes)-1L)),'in');
leg.lines.y.user <- grconvertY(leg.y.in+leg.outpad.h.in+leg.main.h.in-leg.sol.h.in*(0.5+seq(0L,length(solTypes)-1L)),'in');
leg.sol.x.user <- grconvertX(leg.x.in+leg.outpad.w.in+leg.main.w.in+leg.midpad.w.in,'in');
leg.join.y.user <- grconvertY(leg.y.in+leg.outpad.h.in+leg.main.h.in+leg.midpad.h.in,'in');
rect(leg.x.user,leg.y.user,leg.x2.user,leg.y2.user,col='white');
text(leg.sol.x.user,leg.lines.y.user,solTypes[ord],cex=leg.cex,pos=4L,offset=0);
text(leg.cols.x.user,leg.join.y.user,joinTypes,cex=leg.cex,pos=4L,offset=0,srt=90); ## srt rotation applies *after* pos/offset positioning
for (i in seq_along(joinTypes)) {
joinType <- joinTypes[i];
points(rep(leg.cols.x.user[i],length(solTypes)),ifelse(colSums(!is.na(x1[x1$joinType==joinType,solTypes[ord]]))==0L,NA,leg.lines.y.user),pch=pchs[[joinType]],col=cols[solTypes[ord]]);
}; ## end for
title(titleFunc(overlap));
readline(sprintf('overlap %.02f',overlap));
}; ## end for
}; ## end plotRes()
titleFunc <- function(overlap) sprintf('R merge solutions: single-column integer key, 0..1:0..1 cardinality, %d%% overlap',as.integer(overlap*100));
plotRes(res,titleFunc,T);
Aquí hay un segundo punto de referencia a gran escala que es más resistente, con respecto al número y los tipos de columnas clave, así como la cardinalidad. Para este punto de referencia utilizo tres columnas clave: un carácter, un entero y un lógico, sin restricciones de cardinalidad (es decir, 0..*:0..*
). (En general, no es recomendable definir columnas clave con valores dobles o complejos debido a complicaciones de comparación de punto flotante, y básicamente nadie usa el tipo raw, mucho menos para columnas clave, por lo que no he incluido esos tipos en las columnas clave. Además, por razones de información, inicialmente traté de usar cuatro columnas clave incluyendo una columna clave POSIXct, pero el tipo POSIXct no funcionó bien con la solución sqldf.indexed
por alguna razón, posiblemente debido a anomalías de comparación de punto flotante, así que lo eliminé.)
makeArgSpecs.assortedKey.optionalManyToMany <- function(size,overlap,uniquePct=75) {
## number of unique keys in df1
u1Size <- as.integer(size*uniquePct/100);
## (roughly) divide u1Size into bases, so we can use expand.grid() to produce the required number of unique key values with repetitions within individual key columns
## use ceiling() to ensure we cover u1Size; will truncate afterward
u1SizePerKeyColumn <- as.integer(ceiling(u1Size^(1/3)));
## generate the unique key values for df1
keys1 <- expand.grid(stringsAsFactors=F,
idCharacter=replicate(u1SizePerKeyColumn,paste(collapse='',sample(letters,sample(4:12,1L),T))),
idInteger=sample(u1SizePerKeyColumn),
idLogical=sample(c(F,T),u1SizePerKeyColumn,T)
##idPOSIXct=as.POSIXct('2016-01-01 00:00:00','UTC')+sample(u1SizePerKeyColumn)
)[seq_len(u1Size),];
## rbind some repetitions of the unique keys; this will prepare one side of the many-to-many relationship
## also scramble the order afterward
keys1 <- rbind(keys1,keys1[sample(nrow(keys1),size-u1Size,T),])[sample(size),];
## common and unilateral key counts
com <- as.integer(size*overlap);
uni <- size-com;
## generate some unilateral keys for df2 by synthesizing outside of the idInteger range of df1
keys2 <- data.frame(stringsAsFactors=F,
idCharacter=replicate(uni,paste(collapse='',sample(letters,sample(4:12,1L),T))),
idInteger=u1SizePerKeyColumn+sample(uni),
idLogical=sample(c(F,T),uni,T)
##idPOSIXct=as.POSIXct('2016-01-01 00:00:00','UTC')+u1SizePerKeyColumn+sample(uni)
);
## rbind random keys from df1; this will complete the many-to-many relationship
## also scramble the order afterward
keys2 <- rbind(keys2,keys1[sample(nrow(keys1),com,T),])[sample(size),];
##keyNames <- c('idCharacter','idInteger','idLogical','idPOSIXct');
keyNames <- c('idCharacter','idInteger','idLogical');
## note: was going to use raw and complex type for two of the non-key columns, but data.table doesn't seem to fully support them
argSpecs <- list(
default=list(copySpec=1:2,args=list(
df1 <- cbind(stringsAsFactors=F,keys1,y1=sample(c(F,T),size,T),y2=sample(size),y3=rnorm(size),y4=replicate(size,paste(collapse='',sample(letters,sample(4:12,1L),T)))),
df2 <- cbind(stringsAsFactors=F,keys2,y5=sample(c(F,T),size,T),y6=sample(size),y7=rnorm(size),y8=replicate(size,paste(collapse='',sample(letters,sample(4:12,1L),T)))),
keyNames
)),
data.table.unkeyed=list(copySpec=1:2,args=list(
as.data.table(df1),
as.data.table(df2),
keyNames
)),
data.table.keyed=list(copySpec=1:2,args=list(
setkeyv(as.data.table(df1),keyNames),
setkeyv(as.data.table(df2),keyNames)
))
);
## prepare sqldf
initSqldf();
sqldf(paste0('create index df1_key on df1(',paste(collapse=',',keyNames),');')); ## upload and create an sqlite index on df1
sqldf(paste0('create index df2_key on df2(',paste(collapse=',',keyNames),');')); ## upload and create an sqlite index on df2
argSpecs;
}; ## end makeArgSpecs.assortedKey.optionalManyToMany()
sizes <- c(1e1L,1e3L,1e5L); ## 1e5L instead of 1e6L to respect more heavy-duty inputs
overlaps <- c(0.99,0.5,0.01);
solTypes <- setdiff(getSolTypes(),'in.place');
system.time({ res <- testGrid(makeArgSpecs.assortedKey.optionalManyToMany,sizes,overlaps,solTypes); });
## user system elapsed
## 38895.50 784.19 39745.53
El resultado gráficos, utilizando el mismo código de trazado dado anteriormente:
titleFunc <- function(overlap) sprintf('R merge solutions: character/integer/logical key, 0..*:0..* cardinality, %d%% overlap',as.integer(overlap*100));
plotRes(res,titleFunc,F);
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/ajaxhispano.com/template/agent.layouts/content.php on line 61
2017-05-23 11:55:03
- Usando la función
merge
podemos seleccionar la variable de la tabla izquierda o la tabla derecha, de la misma manera que todos estamos familiarizados con la instrucción select en SQL (POR EJEMPLO : Seleccione a.* ...o Seleccione b.* de .....) -
Tenemos que añadir código adicional que se subconjunto de la tabla recién unido .
SQL :-
select a.* from df1 a inner join df2 b on a.CustomerId=b.CustomerId
R :-
merge(df1, df2, by.x = "CustomerId", by.y = "CustomerId")[,names(df1)]
De la misma manera
SQL :-
select b.* from df1 a inner join df2 b on a.CustomerId=b.CustomerId
R :-
merge(df1, df2, by.x = "CustomerId", by.y = "CustomerId")[,names(df2)]
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/ajaxhispano.com/template/agent.layouts/content.php on line 61
2018-01-19 06:12:10
Para una unión interna en todas las columnas, también puede usar fintersect
de los datos .table -package or intersect
from the dplyr-package as an alternative to merge
without specifying the by
-columns. esto dará las filas que son iguales entre dos dataframes:
merge(df1, df2)
# V1 V2
# 1 B 2
# 2 C 3
dplyr::intersect(df1, df2)
# V1 V2
# 1 B 2
# 2 C 3
data.table::fintersect(setDT(df1), setDT(df2))
# V1 V2
# 1: B 2
# 2: C 3
Ejemplo de datos:
df1 <- data.frame(V1 = LETTERS[1:4], V2 = 1:4)
df2 <- data.frame(V1 = LETTERS[2:3], V2 = 2:3)
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/ajaxhispano.com/template/agent.layouts/content.php on line 61
2017-11-02 03:48:34
Update join. Otra unión importante al estilo SQL es una "update join" donde las columnas de una tabla se actualizan (o crean) usando otra tabla.
Modificando las tablas de ejemplo del OP...
sales = data.frame(
CustomerId = c(1, 1, 1, 3, 4, 6),
Year = 2000:2005,
Product = c(rep("Toaster", 3), rep("Radio", 3))
)
cust = data.frame(
CustomerId = c(1, 1, 4, 6),
Year = c(2001L, 2002L, 2002L, 2002L),
State = state.name[1:4]
)
sales
# CustomerId Year Product
# 1 2000 Toaster
# 1 2001 Toaster
# 1 2002 Toaster
# 3 2003 Radio
# 4 2004 Radio
# 6 2005 Radio
cust
# CustomerId Year State
# 1 2001 Alabama
# 1 2002 Alaska
# 4 2002 Arizona
# 6 2002 Arkansas
Supongamos que queremos agregar el estado del cliente desde cust
a la tabla de compras, sales
, ignorando la columna año. Con base R, podemos identificar filas coincidentes y luego copiar valores sobre:
sales$State <- cust$State[ match(sales$CustomerId, cust$CustomerId) ]
# CustomerId Year Product State
# 1 2000 Toaster Alabama
# 1 2001 Toaster Alabama
# 1 2002 Toaster Alabama
# 3 2003 Radio <NA>
# 4 2004 Radio Arizona
# 6 2005 Radio Arkansas
# cleanup for the next example
sales$State <- NULL
Como se puede ver aquí, match
selecciona la primera coincidencia fila de la tabla de clientes.
Actualizar unirse con varias columnas. El enfoque anterior funciona bien cuando nos unimos en una sola columna y estamos satisfechos con el primer partido. Supongamos que queremos que el año de medición en la tabla de clientes coincida con el año de venta.
Como menciona la respuesta de @bgoldst, match
con interaction
podría ser una opción para este caso. Más directamente, uno podría usar datos.cuadro:
library(data.table)
setDT(sales); setDT(cust)
sales[, State := cust[sales, on=.(CustomerId, Year), x.State]]
# CustomerId Year Product State
# 1: 1 2000 Toaster <NA>
# 2: 1 2001 Toaster Alabama
# 3: 1 2002 Toaster Alaska
# 4: 3 2003 Radio <NA>
# 5: 4 2004 Radio <NA>
# 6: 6 2005 Radio <NA>
# cleanup for next example
sales[, State := NULL]
Actualización continua unir. Alternativamente, podemos tomar el último estado en el que se encontró el cliente:
sales[, State := cust[sales, on=.(CustomerId, Year), roll=TRUE, x.State]]
# CustomerId Year Product State
# 1: 1 2000 Toaster <NA>
# 2: 1 2001 Toaster Alabama
# 3: 1 2002 Toaster Alaska
# 4: 3 2003 Radio <NA>
# 5: 4 2004 Radio Arizona
# 6: 6 2005 Radio Arkansas
Los tres ejemplos sobre todo se centran en crear/agregar una nueva columna. Vea el relacionado R FAQ para un ejemplo de actualización/modificación de una columna existente.
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/ajaxhispano.com/template/agent.layouts/content.php on line 61
2018-09-04 16:37:23