dplyr双表操作完全指南：连接、筛选与集合运算

dplyr双表操作完全指南：连接、筛选与集合运算

dplyr dplyr: A grammar of data manipulation 项目地址: https://gitcode.com/gh_mirrors/dp/dplyr

概述

在数据分析工作中，我们很少只需要处理单个数据表。实际场景中，分析往往需要整合多个数据源的信息。dplyr作为R语言中最强大的数据处理包之一，提供了一系列专门用于处理两个数据表之间关系的函数，这些函数可以高效地完成表连接、筛选和集合运算等操作。

双表操作三大类别

dplyr中的双表操作函数主要分为三类：

1. 变异连接(Mutating joins)：通过匹配键值将一个表中的列添加到另一个表中
2. 筛选连接(Filtering joins)：根据另一个表中的匹配情况筛选当前表的行
3. 集合运算(Set operations)：将数据表视为数学集合进行交、并、差等运算

变异连接详解

变异连接是最常用的双表操作，它允许我们将一个表中的列合并到另一个表中，同时保留原始表的所有行或部分行。

基本语法

所有变异连接函数的基本语法相同：

join_function(x, y, by = NULL, ...)

其中x和y是要连接的两个表，by参数指定连接键。

连接类型

dplyr提供四种变异连接函数，区别在于对不匹配行的处理方式：

1. 内连接(inner_join)：只保留两个表中都匹配的行

df1 %>% inner_join(df2)

2. 左连接(left_join)：保留左表(x)所有行，右表无匹配则填充NA

df1 %>% left_join(df2)

3. 右连接(right_join)：保留右表(y)所有行，左表无匹配则填充NA

df1 %>% right_join(df2)

4. 全连接(full_join)：保留两个表所有行，无匹配则填充NA

df1 %>% full_join(df2)

连接键控制

by参数控制连接方式，有几种指定方法：

1. 自然连接：by = NULL，使用两表共有的所有列作为连接键

flights2 %>% left_join(weather)

2. 指定部分共有列：by = "列名"，只使用指定列连接

flights2 %>% left_join(planes, by = "tailnum")

3. 不同名列连接：by = c("x列" = "y列")，连接不同名称的列

flights2 %>% left_join(airports, c("dest" = "faa"))

重复匹配问题

当连接键不唯一时，连接会产生所有可能的组合（笛卡尔积）：

df1 <- tibble(x = c(1, 1, 2), y = 1:3)
df2 <- tibble(x = c(1, 1, 2), z = c("a", "b", "a"))
df1 %>% left_join(df2)

这可能导致结果行数大幅增加，使用时需特别注意。

筛选连接实战

筛选连接不添加新列，而是根据另一个表筛选当前表的行：

1. 半连接(semi_join)：保留x表中与y表匹配的行

df1 %>% semi_join(df2, by = "x")

2. 反连接(anti_join)：保留x表中不与y表匹配的行

flights %>% anti_join(planes, by = "tailnum")

筛选连接特别适合用于：

• 诊断连接问题
• 检查数据完整性
• 预处理数据

集合运算精要

集合运算要求两个表具有相同的列结构：

1. 交集(intersect)：返回同时在两个表中的行

intersect(df1, df2)

2. 并集(union)：返回两个表中所有唯一行

union(df1, df2)

3. 差集(setdiff)：返回在第一个表但不在第二个表中的行

setdiff(df1, df2)

最佳实践建议

1. 连接前先检查键的唯一性，避免意外产生笛卡尔积
2. 使用semi_join或anti_join预检查连接结果
3. 为连接键列添加适当索引可大幅提高大表连接性能
4. 明确指定by参数，避免依赖自动匹配
5. 连接后检查结果行数是否符合预期

多表操作扩展

虽然dplyr本身不直接提供多表操作函数，但可以通过purrr::reduce或基础R的Reduce函数实现多表迭代连接：

library(purrr)
list_of_tables %>% reduce(left_join, by = "key_column")

掌握这些双表操作技巧，将极大提升你在R中进行数据整合和分析的效率。

dplyr dplyr: A grammar of data manipulation 项目地址: https://gitcode.com/gh_mirrors/dp/dplyr