【R语言】数据合并(连接)-merge、data.table、dplry

0. 前言

    实际操作中，我们经常需要引入其他表中的列，即将其他表中列加入到表中，需要把两个或者更多的表合并成一个，R语言中有几种常用的几个合并函数。这里主要介绍merge()函数、data.table包以及dplyr包中的合并数据方法。

 

1. 数据集准备

##创建学生信息表
student <- data.frame("name" = c("张三", "李四", "王五", "马六"),
                      "score" = c(65, 70, 61, 98))

##创建学生年级信息表
class <- data.frame(name = c("张三", "王五", "马六", "小明"),
                    "grade" = c("三年级", "二年级", "四年级", "四年级"))

##转换数据类型
library(data.table)
student.dt <- data.table(student)
class.dt <- data.table(class)

##转换数据类型
library(dplyr)
student.df <- tbl_df(student)
class.df <- tbl_df(class)

 

2. 基本语法

2.1 merge()函数

merge(x,  y,  by,  by.x,  by.y, all,  all.x,  all.y...)

参数解释：

x,y：需要合并的数据集

by：用于连接两个数据集的列，当两个数据集公共列名相同，可以写成by = "公共列名"

by.x、by.y：用于指定依据哪个列合并，常用于当两个数据集公共列名不一样的时候；

all、all.x、all.y：指定x和y的行是否应该全部输出

sort：是否需要排序

2.2. data.table中的方法

首先创建公共键，可以理解为两个数据表连接的列。

setkey(x, column_name)

setkey(y, column_name)

然后基本语法：

x[y]  ##注意x和y数据类型为data.table

2.3 dplyr中的方法

基本语法

inner_join(x, y, by  ...)

left_join(x, y, by  ...)

right_join(x, y, by  ...)

full_join(x, y, by ...)

anti_join(x, y, by ...)

参数解释：

x、y为tbl_df类似数据

by：公共列，当公共列名相同的时候，直接使用by = "公共列名";当公共列名不同的时候，使用by = c("a" = "b"),可以理解x.a = y.b。

 

3. 内连接

##merge函数实现
merge(student, class, by = "name")

##通过data.table实现
###创建键
setkey(student.dt, name)
setkey(class.dt, name)
###内连接实现，nomatch = 0限制是内连接
student.dt[class.dt,nomatch = 0]

##通过dplyr实现，与merge函数语句基本相同
inner_join(student.df, class.df, by = "name")

 

4. 左连接

 

##merge函数实现
merge(student, class, by = "name", all.x = T)

###data.table中实现，哪个是主表，写在[]里面
class.dt[student.dt]

###dplyr中实现
left_join(student.df, class.df, by = "name")

 

5. 右连接

##merge函数实现
merge(student, class, by = "name", all.y = T)

##data.table实现，哪个是主表，写在[]内
student.dt[class.dt]

##dplyr实现
right_join(student.df, class.df, by = "name")

 

6. 其他连接

全连接

##merge函数实现
merge(student, class, by = "name",all = T)

##dplyr中实现
full_join(student.df, class.df, by = "name")

“差”连接：只存在一个表，另一个表中都不匹配的数据

##只存在student_df，class_df中不存在的数据
anti_join(student.df, class.df, by = "name")