it-swarm.it

Come unire (unire) i frame di dati (interno, esterno, sinistro, destro)

Dati due frame di dati:

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

Come posso fare lo stile di database, ad esempio sql style, join ? Cioè, come ottengo:

  • An inner join di df1 e df2:
    Restituisce solo le righe in cui la tabella sinistra ha le chiavi corrispondenti nella tabella giusta.
  • An join esterno di df1 e df2:
    Restituisce tutte le righe di entrambe le tabelle, unisce i record da sinistra che hanno le chiavi corrispondenti nella tabella giusta.
  • A left outer join (o semplicemente left join) di df1 e df2
    Restituisce tutte le righe dalla tabella di sinistra e tutte le righe con le chiavi corrispondenti dalla tabella di destra.
  • A right outer join di df1 e df2
    Restituisce tutte le righe dalla tabella di destra e tutte le righe con le chiavi corrispondenti dalla tabella di sinistra.

Credito extra:

Come posso fare una dichiarazione di selezione stile SQL?

1083
Dan Goldstein

Utilizzando la funzione merge e i suoi parametri facoltativi:

Join interno: merge(df1, df2) funzionerà per questi esempi perché R si unisce automaticamente ai frame con nomi di variabili comuni, ma molto probabilmente vorresti specificare merge(df1, df2, by = "CustomerId") per assicurarti di aver trovato la corrispondenza solo sui campi che hai desiderato. È inoltre possibile utilizzare i parametri by.x e by.y se le variabili corrispondenti hanno nomi diversi nei diversi frame di dati.

Join esterno: merge(x = df1, y = df2, by = "CustomerId", all = TRUE)

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

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

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

Proprio come con il join interno, probabilmente vorrai passare esplicitamente "CustomerId" a R come variabile corrispondente. Penso che sia quasi sempre meglio indicare esplicitamente gli identificatori su cui si desidera unire; è più sicuro se l'input data.frames cambia in modo imprevisto e più facile da leggere in seguito.

Puoi unire su più colonne dando a by un vettore, ad es. by = c("CustomerId", "OrderId").

Se i nomi delle colonne da unire non sono uguali, è possibile specificare, ad esempio, by.x = "CustomerId_in_df1", by.y = "CustomerId_in_df2" dove CustomerId_in_df1 è il nome della colonna nel primo frame di dati e CustomerId_in_df2 è il nome della colonna nel secondo frame di dati. (Questi possono anche essere vettori se è necessario unire su più colonne.)

1180
Matt Parker

Consiglierei di controllare il pacchetto sqldf di Gabor Grothendieck , che consente di esprimere queste operazioni in 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)")

Trovo che la sintassi SQL sia più semplice e più naturale dell'equivalente R (ma questo può solo riflettere il mio pregiudizio RDBMS).

Vedi Gabor's sqldf GitHub per ulteriori informazioni sui join.

198
medriscoll

Esiste l'approccio data.table per un join interno, che è molto efficiente in termini di tempo e memoria (e necessario per alcuni datafram più grandi):

library(data.table)

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

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

merge funziona anche su data.tables (dato che è generico e chiama merge.data.table)

merge(dt1, dt2)

data.table documentato su stackoverflow:
Come eseguire un'operazione di unione data.table
Traduzione di join SQL su chiavi esterne nella sintassi R data.table
Alternative efficienti da unire per i più grandi data.frames R
Come eseguire un join esterno sinistro di base con data.table in R?

Un'altra opzione è la funzione join che si trova nel pacchetto plyr

library(plyr)

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

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

Opzioni per type: inner, left, right, full.

Da ?join: a differenza di merge, [join] conserva l'ordine di x indipendentemente dal tipo di join utilizzato.

178

Puoi anche creare join utilizzando il fantastico pacchetto dplyr di 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)

Join mutanti: aggiungi colonne a df1 usando le corrispondenze 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)

Filtraggio dei join: filtra le righe in df1, non modificare le colonne

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.
159
Andrew Barr

Ci sono alcuni buoni esempi su come fare questo R Wiki . Ruberò una coppia qui:

Metodo di unione

Poiché le tue chiavi hanno lo stesso nome, il modo più breve per eseguire un join interno è l'unione ():

merge(df1,df2)

un join interno completo (tutti i record di entrambe le tabelle) può essere creato con la parola chiave "all":

merge(df1,df2, all=TRUE)

un join esterno sinistro di df1 e df2:

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

un join esterno destro di df1 e df2:

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

puoi capovolgerli, schiaffarli e cancellarli per ottenere gli altri due join esterni che hai chiesto :)

Metodo di iscrizione

Un join esterno sinistro con df1 a sinistra utilizzando un metodo subscript potrebbe essere:

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

L'altra combinazione di join esterni può essere creata scambiando l'esempio di pedice esterno sinistro. (Sì, so che è l'equivalente di dire "Lo lascerò come esercizio per il lettore ...")

75
JD Long

Novità 2014:

Soprattutto se sei interessato anche alla manipolazione dei dati in generale (compresi l'ordinamento, il filtraggio, la subsettizzazione, il riepilogo ecc.), Dovresti assolutamente dare un'occhiata a dplyr, che viene fornito con una varietà di funzioni tutte progettate per facilitare il tuo lavoro in particolare con i dati cornici e alcuni altri tipi di database. Offre anche un'interfaccia SQL piuttosto elaborata e persino una funzione per convertire (la maggior parte) codice SQL direttamente in R.

Le quattro funzioni relative al join nel pacchetto dplyr sono (per citare):

  • inner_join(x, y, by = NULL, copy = FALSE, ...): restituisce tutte le righe da x dove ci sono valori corrispondenti in y e tutte le colonne da x e y
  • left_join(x, y, by = NULL, copy = FALSE, ...): restituisce tutte le righe da xe tutte le colonne da xe y
  • semi_join(x, y, by = NULL, copy = FALSE, ...): restituisce tutte le righe da x dove ci sono valori corrispondenti in y, mantenendo solo le colonne da x.
  • anti_join(x, y, by = NULL, copy = FALSE, ...): restituisce tutte le righe da x dove non ci sono valori corrispondenti in y, mantenendo solo le colonne da x

È tutto qui in grande dettaglio.

La selezione delle colonne può essere eseguita da select(df,"column"). Se questo non è abbastanza SQL per te, allora c'è la funzione sql(), nella quale puoi inserire il codice SQL così com'è, e farà l'operazione che hai specificato proprio come stavi scrivendo in R tutti insieme (per maggiori informazioni, per favore fare riferimento alla vignetta dplyr/databases ). Ad esempio, se applicato correttamente, sql("SELECT * FROM hflights") selezionerà tutte le colonne dalla tabella dplyr "hflights" (un "tbl").

66
maj

Aggiornamento sui metodi data.table per l'unione di dataset. Vedi sotto esempi per ogni tipo di join. Ci sono due metodi, uno da [.data.table quando si passa il secondo data.table come primo argomento al sottoinsieme, un altro modo è usare la funzione merge che invia al metodo data.table veloce.

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=NULL, on = "CustomerId"]

# anti join - use `!` operator
dt1[!dt2, on = "CustomerId"]

# inner join - using merge method
merge(dt1, dt2, by = "CustomerId")

# full outer join
merge(dt1, dt2, by = "CustomerId", all = TRUE)

# see ?merge.data.table arguments for other cases

Sotto test di benchmark base R, sqldf, dplyr e data.table.
Benchmark verifica i set di dati non digitati/non indicizzati. Benchmark viene eseguito su set di dati 50M-1, ci sono valori comuni 50M-2 sulla colonna join in modo che ogni scenario (interno, sinistro, destro, completo) possa essere testato e join non sia ancora banale da eseguire. È un tipo di join che ben enfatizza gli algoritmi di join. I tempi sono di sqldf:0.4.11, dplyr:0.7.8, data.table:1.12.0.

# inner
Unit: seconds
   expr       min        lq      mean    median        uq       max neval
   base 111.66266 111.66266 111.66266 111.66266 111.66266 111.66266     1
  sqldf 624.88388 624.88388 624.88388 624.88388 624.88388 624.88388     1
  dplyr  51.91233  51.91233  51.91233  51.91233  51.91233  51.91233     1
     DT  10.40552  10.40552  10.40552  10.40552  10.40552  10.40552     1
# left
Unit: seconds
   expr        min         lq       mean     median         uq        max 
   base 142.782030 142.782030 142.782030 142.782030 142.782030 142.782030     
  sqldf 613.917109 613.917109 613.917109 613.917109 613.917109 613.917109     
  dplyr  49.711912  49.711912  49.711912  49.711912  49.711912  49.711912     
     DT   9.674348   9.674348   9.674348   9.674348   9.674348   9.674348       
# right
Unit: seconds
   expr        min         lq       mean     median         uq        max
   base 122.366301 122.366301 122.366301 122.366301 122.366301 122.366301     
  sqldf 611.119157 611.119157 611.119157 611.119157 611.119157 611.119157     
  dplyr  50.384841  50.384841  50.384841  50.384841  50.384841  50.384841     
     DT   9.899145   9.899145   9.899145   9.899145   9.899145   9.899145     
# full
Unit: seconds
  expr       min        lq      mean    median        uq       max neval
  base 141.79464 141.79464 141.79464 141.79464 141.79464 141.79464     1
 dplyr  94.66436  94.66436  94.66436  94.66436  94.66436  94.66436     1
    DT  21.62573  21.62573  21.62573  21.62573  21.62573  21.62573     1

Tieni presente che esistono altri tipi di join che puoi eseguire utilizzando data.table:
- update on join - se vuoi cercare valori da un'altra tabella sulla tua tabella principale
- aggregato su join - se vuoi aggregare sulla chiave che stai aggiungendo non devi materializzare tutti i risultati di join
- join sovrapposto - se vuoi unire per intervalli
- rolling join - se vuoi che l'unione sia in grado di far corrispondere i valori delle righe precedenti/successive spostandole avanti o indietro
- join non equi - se la condizione di join non è uguale

Codice da riprodurre:

library(microbenchmark)
library(sqldf)
library(dplyr)
library(data.table)
sapply(c("sqldf","dplyr","data.table"), packageVersion, simplify=FALSE)

n = 5e7
set.seed(108)
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)

mb = list()
# inner join
microbenchmark(times = 1L,
               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"),
               DT = dt1[dt2, nomatch=NULL, on = "x"]) -> mb$inner

# left outer join
microbenchmark(times = 1L,
               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")),
               DT = dt2[dt1, on = "x"]) -> mb$left

# right outer join
microbenchmark(times = 1L,
               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"),
               DT = dt1[dt2, on = "x"]) -> mb$right

# full outer join
microbenchmark(times = 1L,
               base = merge(df1, df2, by = "x", all = TRUE),
               dplyr = full_join(df1, df2, by = "x"),
               DT = merge(dt1, dt2, by = "x", all = TRUE)) -> mb$full

lapply(mb, print) -> nul
64
jangorecki

dplyr dal momento che 0.4 ha implementato tutti quei join incluso outer_join, ma valeva la pena notare che per le prime versioni precedenti alla 0.4 non usava outer_join, e di conseguenza c'era molto male hacky codice utente di aggiramento mobile in giro per un po 'di tempo (è ancora possibile trovare tale codice in SO, risposte di Kaggle, github di quel periodo. Quindi questa risposta ha ancora uno scopo utile.)

Punti salienti della pubblicazione relativi al join :

v0.5 (6/2016)

  • Gestione per tipo POSIXct, fusi orari, duplicati, diversi livelli di fattore. Migliori errori e avvertenze.
  • Nuovo argomento suffisso per controllare quali nomi di variabili duplicate suffisso ricevono (# 1296)

v0.4.0 (1/2015)

  • Implementa join destro e join esterno (# 96)
  • I join mutanti, che aggiungono nuove variabili a una tabella da righe corrispondenti in un'altra. Filtraggio dei join, che filtrano le osservazioni da una tabella in base alla corrispondenza o meno di un'osservazione nell'altra tabella.

v0.3 (10/2014)

  • Può ora left_join di diverse variabili in ogni tabella: df1%>% left_join (df2, c ("var1" = "var2"))

v0.2 (5/2014)

  • * _join () non riordina più i nomi delle colonne (# 324)

v0.1.3 (4/2014)

Soluzioni alternative per i commenti di hadley in questo numero:

  • right_join (x, y) è uguale a left_join (y, x) in termini di righe, solo le colonne saranno ordini diversi. Lavorato facilmente con select (new_column_order)
  • outer_join è fondamentalmente union (left_join (x, y), right_join (x, y)) - ad esempio, conserva tutte le righe in entrambi i frame di dati.
24
smci

Nell'unire due frame di dati con ~ 1 milione di righe ciascuno, uno con 2 colonne e l'altro con ~ 20, ho trovato sorprendentemente merge(..., all.x = TRUE, all.y = TRUE) per essere più veloce di dplyr::full_join(). Questo è con dplyr v0.4

Unisci richiede ~ 17 secondi, full_join richiede ~ 65 secondi.

Un po 'di cibo per se, dal momento che di solito predefinito per dplyr per le attività di manipolazione.

22
BradP

Per il caso di un join sinistro con cardinalità 0..*:0..1 o un join destro con cardinalità 0..1:0..* è possibile assegnare sul posto le colonne unilaterali dal joiner (la tabella 0..1) direttamente sul joinee (la tabella 0..*), e quindi evitare la creazione di una tabella di dati completamente nuova. Ciò richiede la corrispondenza delle colonne chiave tra il joinee e il joiner e l'indicizzazione + ordinando di conseguenza le righe del joiner per l'assegnazione.

Se la chiave è una singola colonna, allora possiamo usare una singola chiamata a match() per fare la corrispondenza. Questo è il caso che coprirò in questa risposta.

Ecco un esempio basato sull'OP, tranne che ho aggiunto una riga aggiuntiva a df2 con un id di 7 per verificare il caso di una chiave non corrispondente nel joiner. Questo è efficace 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

In quanto precede, ho supposto che la colonna chiave sia la prima colonna di entrambe le tabelle di input. Direi che, in generale, questa non è un'ipotesi irragionevole, dal momento che, se si dispone di un data.frame con una colonna chiave, sarebbe strano se non fosse stato impostato come prima colonna di data.frame da all'inizio. E puoi sempre riordinare le colonne per renderlo tale. Una conseguenza vantaggiosa di questo assunto è che il nome della colonna chiave non deve essere hardcoded, anche se suppongo che stia semplicemente sostituendo un assunto con un altro. La concisione è un altro vantaggio dell'indicizzazione di interi e della velocità. Nei benchmark riportati di seguito cambierò l'implementazione per utilizzare l'indicizzazione del nome della stringa in modo che corrisponda alle implementazioni concorrenti.

Penso che questa sia una soluzione particolarmente appropriata se si dispone di più tabelle che si desidera lasciare unire contro una singola tabella di grandi dimensioni. Ricostruire ripetutamente l'intera tabella per ogni unione sarebbe inutile e inefficiente.

D'altra parte, se si desidera che il partecipante rimanga inalterato attraverso questa operazione per qualsiasi motivo, questa soluzione non può essere utilizzata, poiché modifica direttamente il partecipante. Anche se in tal caso potresti semplicemente fare una copia ed eseguire i compiti sul posto sulla copia.


Come nota a margine, ho esaminato brevemente le possibili soluzioni di corrispondenza per le chiavi a più colonne. Sfortunatamente, le uniche soluzioni di abbinamento che ho trovato sono state:

  • concatenazioni inefficienti. per esempio. match(interaction(df1$a,df1$b),interaction(df2$a,df2$b)), o la stessa idea con paste().
  • congiunzioni cartesiane inefficienti, ad es. outer(df1$a,df2$a,`==`) & outer(df1$b,df2$b,`==`).
  • base R merge() e equivalenti funzioni di unione basate sui pacchetti, che assegnano sempre una nuova tabella per restituire il risultato unito e quindi non sono adatte per una soluzione basata sul compito sul posto.

Ad esempio, vedere Corrispondenza di più colonne su diversi frame di dati e ottenere un'altra colonna come risultato , corrisponde a due colonne con due altre colonne , Corrispondenza su più colonne , e il dupe di questa domanda in cui originariamente mi sono inventato posto soluzione, Combina due frame di dati con un diverso numero di righe in R .


Benchmarking

Ho deciso di fare il mio benchmark per vedere come l'approccio di assegnazione sul posto si confronta con le altre soluzioni che sono state offerte in questa domanda.

Codice di prova:

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()

Ecco un punto di riferimento dell'esempio basato sull'OP che ho dimostrato in precedenza:

## 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

Qui ho benchmark su dati di input casuali, provando diverse scale e diversi pattern di sovrapposizione di tasti tra le due tabelle di input. Questo benchmark è ancora limitato al caso di una chiave intera a colonna singola. Inoltre, per garantire che la soluzione sul posto funzioni sia per i join di sinistra che di destra delle stesse tabelle, tutti i dati di test casuali utilizzano la cardinalità 0..1:0..1. Questo viene implementato campionando senza sostituire la colonna chiave del primo data.frame quando si genera la colonna chiave del secondo data.frame.

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

Ho scritto del codice per creare grafici di log-log dei risultati sopra. Ho generato un grafico separato per ogni percentuale di sovrapposizione. È un po 'ingombrante, ma mi piace avere tutti i tipi di soluzioni e tipi di join rappresentati nella stessa trama.

Ho usato l'interpolazione spline per mostrare una curva uniforme per ogni combinazione di tipo solution/join, disegnata con singoli simboli pch. Il tipo di unione viene catturato dal simbolo pch, usando un punto per le parentesi interne, sinistra e destra per sinistra e destra e un diamante per pieno. Il tipo di soluzione viene catturato dal colore come mostrato nella legenda.

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);

R-merge-benchmark-single-column-integer-key-optional-one-to-one-99

R-merge-benchmark-single-column-integer-key-optional-one-to-one-50

R-merge-benchmark-single-column-integer-key-optional-one-to-one-1


Ecco un secondo benchmark su larga scala più gravoso per quanto riguarda il numero e il tipo di colonne chiave e la cardinalità. Per questo benchmark uso tre colonne chiave: un carattere, un intero e uno logico, senza restrizioni sulla cardinalità (cioè, 0..*:0..*). (In generale non è consigliabile definire colonne chiave con valori doppi o complessi a causa di complicazioni di confronto in virgola mobile, e praticamente nessuno usa mai il tipo grezzo, tanto meno per le colonne chiave, quindi non ho incluso quei tipi nella chiave Inoltre, per motivi di informazione, ho inizialmente provato a utilizzare quattro colonne chiave includendo una colonna chiave POSIXct, ma il tipo POSIXct non ha giocato bene con la soluzione sqldf.indexed per qualche motivo, probabilmente a causa di anomalie di confronto in virgola mobile, quindi L'ho rimosso.)

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

I grafici risultanti, usando lo stesso codice di tracciatura sopra riportato:

titleFunc <- function(overlap) sprintf('R merge solutions: character/integer/logical key, 0..*:0..* cardinality, %d%% overlap',as.integer(overlap*100));
plotRes(res,titleFunc,F);

R-merge-benchmark-assorted-key-optional-many-to-many-99

R-merge-benchmark-assorted-key-optional-many-to-many-50

R-merge-benchmark-assorted-key-optional-many-to-many-1

18
bgoldst

Per un join interno su tutte le colonne, puoi anche utilizzare fintersect dal data.table - package o intersect dal dplyr - pacchetto in alternativa a merge senza specificare le by- colonne. questo darà le file che sono uguali tra due 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

Dati di esempio:

df1 <- data.frame(V1 = LETTERS[1:4], V2 = 1:4)
df2 <- data.frame(V1 = LETTERS[2:3], V2 = 2:3)
6
Jaap
  1. Usando la funzione merge possiamo selezionare la variabile della tabella sinistra o della tabella destra, allo stesso modo come tutti abbiamo familiarità con l'istruzione select in SQL (EX: selezionare a. * ... o Seleziona b. * Da .....)
  2. Dobbiamo aggiungere un codice aggiuntivo che verrà sostituito dalla tabella appena unita.

    • 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)]

Stessa strada

  • 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)]

6
sanjeeb

Aggiornamento join. Un altro importante join in stile SQL è un " join join " dove colonne in uno la tabella viene aggiornata (o creata) usando un'altra tabella.

Modifica delle tabelle di esempio dell'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

Supponiamo di voler aggiungere lo stato del cliente da cust alla tabella degli acquisti, sales, ignorando la colonna dell'anno. Con la base R, possiamo identificare le righe corrispondenti e quindi copiare i valori su:

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

Come si può vedere qui, match seleziona la prima riga corrispondente dalla tabella dei clienti.


Aggiorna join con più colonne. L'approccio sopra riportato funziona bene quando ci stiamo unendo su una singola colonna e siamo soddisfatti della prima corrispondenza. Supponiamo di volere l'anno di misurazione nella tabella clienti per abbinare l'anno di vendita.

Come cita la risposta di @ bgoldst, match con interaction potrebbe essere un'opzione per questo caso. Più semplicemente, si potrebbe usare data.table:

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]

Join aggiornamento aggiornamento. In alternativa, potremmo voler prendere l'ultimo stato in cui è stato trovato il 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

I tre esempi si concentrano soprattutto sulla creazione/aggiunta di una nuova colonna. Vedi le relative FAQ R per un esempio di aggiornamento/modifica di una colonna esistente.

2
Frank