R|数据处理|merge数据详解
作者简介
Dwzb , R语言中文社区专栏作者，厦门大学统计专业学生。
知乎专栏：https://zhuanlan.zhihu.com/Data-AnalysisR
前文推送：
R数据处理|基础篇（一）
R数据处理|基础篇（二）
R数据处理|data.table篇（一）
R数据处理|data.table篇（二）
R数据处理|data.table篇（三）
R深入 | 数据类型
R | 基础绘图
R|ggplot2(一)|一个完整的绘图流程
由于merge数据在现实应用中使用非常广泛，而且真实的数据远远没有我们练习时使用的数据那么干净，所以有了这篇文章。本文会针对现实数据中可能遇到的一些问题，更深入地讲解merge数据的使用。
数据：自己有针对性地创建，故意踩一些坑并解决
函数：包括dplyr包的join族函数，data.table包的[DT, ]方法，基础及data.table包的merge函数
主要解决如下问题
要合并的两个数据集，合并所依据的列，名称不同
要合并的两个数据集，有一些相同的列名，合并后需要更改防止两列同名
合并所依据的列不是完全相同的，展示多种取舍方法
合并所依据的列中，内容不是唯一的，展示几种情况的处理方法
全文分dplyr包和data.table包来讲
数据创建
先简单说明一下创建的数据
第一组一共四个数据框
data_map 有两列可以用于merge，作为其他数据之间的桥梁，将所有数据merge在一起
data_good 用于merge的列形式很好，和data_map中的列一一对应，用于展示最简单的数据框merge合并。但是为了演示一些参数，在列名上挖了两个坑
data_diff 用于merge的列和data_map中的列有交集，都不完全包括对方，用于展示多种取舍方法在两个包中的 实现
data_bad 用于merge的列有重复，与data_map这个没有重复的数据来merge
第二组两个数据框: bad1和bad2，用于merge的列都有重复，用于展示都有重复时的merge
这里主要展示数据框创建代码，数据框长什么样子，在下面的例子中都会展示
library(dplyr) library(data.table) library(lubridate) # 设置随机种子保证随机试验可以重复 set.seed(1234) # 两列每个值都是唯一的 data_map <- data.table(name_id = letters[1:10], card_id = LETTERS[1:10]) m2 <- sample(letters[1:10], 15, replace = T) m1 <- sample(LETTERS[1:10], 10, replace = F) # object_id列值是唯一的，且正好和data_map的name_id列一一对应 data_good <- data.table(object_id = m1, # 与card_id列对应来合并，故意制造合并列名称不同的情况 name_id = paste(m1, m1, sep='')) # 故意制造同名情况 # name_id列值唯一，与data_map的name_id只有4个重合的 data_diff <- data.table(name_id = sample(letters, 10, replace = F), x1 = c(rep('m',4), rep('n',3), rep('p',3))) # name_id列值不唯一，与data_map的name_id只有7个重合的，但是data_bad中有的在data_map中都能找到 data_bad <- data.table(name_id = m2, # 与name_id对应来合并 date = ymd('20171218') + ddays(rowid(m2)), content1 = paste(m2, 1:15, sep='_content'), content2 = paste(m2, 1:15, sep='another')) bad1 <- data.table(name_id = c(1,2,3,1,4,5,1,6), text1 = letters[1:8]) bad2 <- data.table(name_id = c(1,2,3,1,2,5,3,7), text12 = LETTERS[1:8])
join族函数
dplyr包中，join族函数分为如下几个函数(对于 *_join(new, data_diff, by='name_id') 来说）
left_join 以new中name_id（记为A）为准。data_diff的name_id中，不在A中的全部舍弃，其余的对应匹配上去
right_join 和left相反，以data_diff为准
inner_join 保留两个数据name_id交叉的部分
full_join 两个数据所有内容都保留，相当于left_join结果，加上right_join结果，减去inner_join的结果
semi_join 与 anti_join 其实是对行筛选，不算是merge合并
下面代码结果分别展示
1. 这部分展示
join族函数中的两个参数 by suffix
各个join函数有什么区别
代码展示如下
new <- left_join(data_map, data_good, # 这是两个完全匹配的数据 by = c('card_id'='object_id'), # 对应匹配的列名不同，在此指定 suffix = c('', '_good')) # 两个数据有相同列名，指定融合后，两个数据集相同列名，分别加什么样的后缀 head(new) left_join(new, data_diff, by = 'name_id') right_join(new, data_diff, by = 'name_id') left_join(data_diff, new, by = 'name_id') # 除了列顺序之外，内容和上一条是一样的 inner_join(new, data_diff, by = 'name_id') full_join(new, data_diff, by = 'name_id') semi_join(new, data_diff, by = 'name_id') new[new$name_id %in% data_diff$name_id, ] # 同上 anti_join(new, data_diff, by = 'name_id') new[!new$name_id %in% data_diff$name_id, ] # 同上
结果展示如下
首先合并的是data_map和data_good得到new
data_map data_good name_id card_id || object_id name_id a A || I II b B || C CC c C || J JJ d D || B BB e E || G GG f F || F FF g G || E EE h H || A AA i I || H HH j J || D DD new card_id name_id name_id_good A a AA B b BB C c CC D d DD E e EE F f FF G g GG H h HH I i II J j JJ
下一步是new和data_diff的多种合并结果
new (name_id只有4个重合) data_diff name_id card_id name_id_good || name_id x1 a A AA || v m b B BB || n m c C CC || z m d D DD || t m e E EE || b n f F FF || j n g G GG || f n h H HH || w p i I II || u p j J JJ || d p left_join(保留new) name_id card_id name_id_good x1 a A AA
2.接下来考虑一个数据merge列有重复的情况
# 只有一个数据的name_id有重复，就会自动扩充 left_join(new, data_bad, by = 'name_id') right_join(new, data_bad, by = 'name_id')
结果展示如下
new name_id card_id name_id_good a A AA b B BB c C CC d D DD e E EE f F FF g G GG h H HH i I II j J JJ data_bad name_id date content1 content2 b 2017-12-19 b_content1 banother1 g 2017-12-19 g_content2 ganother2 g 2017-12-20 g_content3 ganother3 g 2017-12-21 g_content4 ganother4 i 2017-12-19 i_content5 ianother5 g 2017-12-22 g_content6 ganother6 a 2017-12-19 a_content7 aanother7 c 2017-12-19 c_content8 canother8 g 2017-12-23 g_content9 ganother9 f 2017-12-19 f_content10 fanother10 g 2017-12-24 g_content11 ganother11 f 2017-12-20 f_content12 fanother12 c 2017-12-20 c_content13 canother13 j 2017-12-19 j_content14 janother14 c 2017-12-21 c_content15 canother15 left_join(new, data_bad, by = 'name_id') name_id card_id name_id_good date content1 content2 a A AA 2017-12-19 a_content7 aanother7 b B BB 2017-12-19 b_content1 banother1 c C CC 2017-12-19 c_content8 canother8 c C CC 2017-12-20 c_content13 canother13 c C CC 2017-12-21 c_content15 canother15 d D DD
当我们要把多张表merge到一起时，如果有几张都是merge列有重复的情况，就会面临要merge的两个数据都是有重复的的情况
3.两个数据集merge列都有重复
代码展示如下（直接使用left_join看默认情况即可）
> bad1 name_id text1 1: 1 a 2: 2 b 3: 3 c 4: 1 d 5: 4 e 6: 5 f 7: 1 g 8: 6 h > bad2 name_id text12 1: 1 A 2: 2 B 3: 3 C 4: 1 D 5: 2 E 6: 5 F 7: 3 G 8: 7 H > left_join(bad1, bad2, by = 'name_id') name_id text1 text12 1 1 a A 2 1 a D 3 2 b B 4 2 b E 5 3 c C 6 3 c G 7 1 d A 8 1 d D 9 4 e
从上面结果可见，比如1重复，则bad1中的每个1都和bad2的每个1构成一行，所以产生了3*2=6个name_id是1的行。
这样merge有一个缺点就是产生了大量重复数据，还有另一种处理方法，长表变宽表，这样可以让name_id不会重复，但是列就会增加很多。
这里只展示data_bad如何将name_id唯一化的，即把date变到列上去，即看每个name_id在各个date上的content1和content2分别是什么
> data_bad name_id date content1 content2 1: b 2017-12-19 b_content1 banother1 2: g 2017-12-19 g_content2 ganother2 3: g 2017-12-20 g_content3 ganother3 4: g 2017-12-21 g_content4 ganother4 5: i 2017-12-19 i_content5 ianother5 6: g 2017-12-22 g_content6 ganother6 7: a 2017-12-19 a_content7 aanother7 8: c 2017-12-19 c_content8 canother8 9: g 2017-12-23 g_content9 ganother9 10: f 2017-12-19 f_content10 fanother10 11: g 2017-12-24 g_content11 ganother11 12: f 2017-12-20 f_content12 fanother12 13: c 2017-12-20 c_content13 canother13 14: j 2017-12-19 j_content14 janother14 15: c 2017-12-21 c_content15 canother15 > data_bad %>% melt(id = c('name_id', 'date')) %>% + dcast(name_id~date+variable) name_id 2017-12-19_content1 2017-12-19_content2 2017-12-20_content1 2017-12-20_content2 1: a a_content7 aanother7 NA NA 2: b b_content1 banother1 NA NA 3: c c_content8 canother8 c_content13 canother13 4: f f_content10 fanother10 f_content12 fanother12 5: g g_content2 ganother2 g_content3 ganother3 6: i i_content5 ianother5 NA NA 7: j j_content14 janother14 NA NA 2017-12-21_content1 2017-12-21_content2 2017-12-22_content1 2017-12-22_content2 1: NA NA NA NA 2: NA NA NA NA 3: c_content15 canother15 NA NA 4: NA NA NA NA 5: g_content4 ganother4 g_content6 ganother6 6: NA NA NA NA 7: NA NA NA NA 2017-12-23_content1 2017-12-23_content2 2017-12-24_content1 2017-12-24_content2 1: NA NA NA NA 2: NA NA NA NA 3: NA NA NA NA 4: NA NA NA NA 5: g_content9 ganother9 g_content11 ganother11 6: NA NA NA NA 7: NA NA NA NA
这样name_id唯一再merge到data_map表中，不会增加太多重复的行，但是这个方法也有一个很大的弊端，就是增加了太多列，产生了非常多的缺失值。
其实这种name_id不唯一的表，称为动态表；而唯一的是静态表
静态表表示这个id的静态数据，特征等，一个id就对应该指标的一个值
动态表则反映这个id的动态情况，比如哪一天这个id发生了什么，换一天又发生了什么，这样一个表就会出现多次同一个id，即name_id列有重复的内容
真正遇到这种问题时，其实没有必要非要把静态表和动态表合并在一起了，合并后数据格式都不好了，肯定也没办法分析
data.table
使用data.table运行结果和join族函数一样，所以这里只列代码
使用[]来合并，[]的在merge上的功能比较弱，而且别扭，只能做下面这些事
new <- data_map[data_good, on="card_id==object_id"] new # data_map[data_good, name_id_good:= i.name_id,on="card_id==object_id"][] # 要改名就在原数据上修改，改名没有join族函数方便 # 以data_diff为准 new[data_diff, on='name_id'] # 以new为准 data_diff[new, on='name_id']
但是[]中使用merge可以结合[]中其他位置的参数一起使用，在只需要简单merge时，可以达到多步合并为一行的简洁效果。
下面我们来看一下merge函数，data.table中的merge会比基础包中merge更快，同时更改了一些默认选项，基本使用以及参数都没有改变，这里的数据因为创建时使用的是data.table函数，所以使用merge时自动用的是data.table包中的函数
new <- merge(data_map, data_good, by.x='card_id', by.y='object_id', suffixes=c('','.good')) new # 全部保留 merge(new, data_diff, by='name_id', all=T) # 保留new的 merge(new, data_diff, by='name_id', all.x=T) # 保留data_diff的 merge(new, data_diff, by='name_id', all.y=T) # 保留交集 merge(new, data_diff, by='name_id', all=F) merge(new, data_bad, by='name_id', all.x=T) merge(new, data_bad, by='name_id', all.y=T) merge(bad1,bad2, by='name_id', all.x=T)
大家都在看
2017年R语言发展报告（国内）
精心整理 | R语言中文社区历史文章合集（作者篇）
公众号后台回复关键字即可学习
回复 爬虫 爬虫三大案例实战
回复 Python 1小时破冰入门回复 数据挖掘 R语言入门及数据挖掘
回复 人工智能 三个月入门人工智能
回复 数据分析师 数据分析师成长之路
回复 机器学习 机器学习的商业应用
回复 数据科学 数据科学实战
回复 常用算法 常用数据挖掘算法