在R中合并数据集

本文概述

• 连接数据集
• 主键和外键
• 联接类型
• 缺少键
• 最后的想法

在应用的设置中, 数据托管在不同的服务器上, 并且存在于许多不同的文件中。当你需要的数据来自多个来源时, 至关重要的是要知道如何汇总它们, 以使你丢失尽可能少的信息, 并根据数据的结构进行有意义的配对。

本教程将指导你完成以下操作：

• 水平和垂直合并数据集
• 什么是主键, 以及它们如何为你的数据添加结构
• 不同类型的联接(例如, 左联接, 内部联接, 完全联接)以及如何在其中进行选择
• 需要注意的常见问题以及解决方法

连接数据集

在较高的层次上, 有两种合并数据集的方法：你可以通过添加更多行或在数据集中添加更多列来添加信息。通常, 当数据集具有相同的列集或具有相同的观察值时, 可以分别将它们垂直或水平连接。让我们通过看一些例子来学习。

垂直添加数据集

当多个数据集具有相同的列集时, 可以将一个数据集垂直连接到另一个。也就是说, 保留数据集的列, 可以向其中添加更多行。将此类信息保存在一个文件中将使你更轻松地进行汇总和查看大图, 而无需在多个文件之间来回切换并避免跟踪。

数据集1

数据集2

重要的是要注意, 如果你对多个数据集具有相同的观察结果, 并且使用rbind()将它们垂直连接在一起, 那么最终将在表中得到重复的观察结果。尽管两个数据集必须具有相同的变量集(即列), 但它们不必具有相同的顺序。在下面的控制台中查看！

在你的工作区中, 有两个数据集, 分别在上面看到。尝试对数据集1的列重新排序。在数据集1和数据集2以及reordered_dataset1和数据集2上调用rbind()。

在rbind()之后, 你的结果应该在一张表中包含所有四种汽车制造商的信息, 如下所示：

垂直串联数据集

水平添加数据集

当你拥有代表同一组观测值的数据集时, 可以将这些数据集水平合并。这次, 保留数据集的行, 可以向其中添加更多列。在这种情况下, 你应该检查观察顺序是否相同。如果数据集的行数不同, 或者它们的行数相同, 但是行的顺序不一致, 则可以用一种没有意义的方式将一组列与另一组列配对。

让我们将上面的示例扩展为一个示例。假设你有两个数据文件, 一个包含汽车制造商和所提供的独特型号的数量, 另一个包含汽车制造商和总销售额的数据文件：

提供的独特型号数量

总销售额

重要的是要注意, 如果你对多个数据集具有相同的观察结果, 并且使用cbind()将它们水平连接, 则最终将在表中出现多余的列。尽管两个数据集包含相关信息, 但行的顺序很重要！

在下面的控制台中, 在模型和销售上调用cbind()并打印出结果：

你应该已经得到了这样的东西：

型号与销售

你在这里看到问题了吗？此数据不整洁！

根据本基础课程中讲授的整洁数据原理, 对数据集的每次观察都应在唯一的一行中表示。而且, 如果你仅在一个数据集中的某些行上具有信息, 并且仅想为那些你拥有更多信息的信息添加信息, 那该怎么办？换句话说, 如果你想将一个数据集中的更多列添加到另一个数据集中, 但是这些数据集没有相同数量的观测值, 该怎么办？

主键和外键

寻求合并数据集的第一步是寻找数据集的主键。主键是唯一标识数据集中每个观察值的列或列集。在有关汽车制造商, 提供的独特模型的数量以及总销售额的示例中, 数据集的主键是制造商列。

现在, 我们可以执行联接, 这是将数据集合并到单个表中的标准方法。

联接类型

联接的类型很多。你可以在dplyr的R的连接数据教程中, 学习如何使用变异联接将一个数据集中的列扩充为另一个列, 如何通过过滤联接将一个数据集与另一个数据集进行筛选, 以及如何使用set操作筛选数据集。以下是一些最常见的内容。

left_join(x, y)：从x返回所有行, 从x和y返回所有列。 x中的行与y中的不匹配项将在新列中具有NA值。如果x和y之间存在多个匹配项, 则返回所有匹配项组合。

inner_join(x, y)：返回y中有匹配值的x中的所有行, 以及x和y中的所有列。如果x和y之间存在多个匹配项, 则返回所有匹配项组合。

full_join(x, y)：返回x和y的所有行和所有列。如果没有匹配的值, 该函数将为缺少的值返回NA。

上面提到的联接是变异联接的示例, 因为它们组合了来自两个数据集的变量。

缺少键

假设你有两个数据集。第一个数据集称为大小, 其中包含人物名称及其衬衫尺寸：

> size
name size
1  Tom    M
2  Dan   XL
3 Keil    S

第二个数据集称为颜色, 其中包含人们的姓氏, 衬衫的颜色首选项, 并将一些信息存储在row.names属性中：

> color
     surname color
Tom     Jeon  <NA>
Dan    Smith  Dark
Bob McLadden Light

注意这里可能出什么问题吗？当缺少键或重复键时, 两表联接可能会变得很复杂。在此示例中, R的数据帧将重要信息存储在row.names属性中。在这种情况下, 你将无法使用连接功能访问密钥, 因为连接功能只能访问数据框的列。

轻松解决此问题的技巧是使用tibble包中的rownames_to_column()函数。它返回数据集的副本, 其中行名作为列添加到数据中。 rownames_to_column()的第一个参数是你的数据框架对象, 第二个参数是一个字符串, 用于指定要添加的列的名称。

尝试在下面的控制台中浏览。数据集的大小和颜色已预加载到你的工作空间中。

最后的想法

在现实世界中, 数据可能会分散在许多数据集之间, 并跨越许多不同的格式。由于R被设计为使用单个数据表, 因此将数据集处理并将其组合到单个表中是一项必不可少的技能。完成具有R技能跟踪的”导入和清除数据”, 并学习解析和组合任何格式的数据。学习愉快！