R数据科学整洁之道：使用 dplyr 处理关系数据
忘了 vlookup 吧，我劝你用 dplyr 处理关系数据。
工作中经常有这样的需求，将两张表根据某些列合并起来。
有人喜欢用 Excel 的 vlookup 函数来处理。但对于生信人来说，这显然不够优雅，因为我们有更好的办法。
这就是 dplyr 包的 join 系列函数，主要有：
left_join
right_join
inner_join
full_join
semi_join
anti_join
加载包
library(tidyverse)
library(kableExtra)数据
表 1
df1 = tibble(
A = c('a', 'b', 'c'),
B = c('x', 'y', 'z'),
)
kable(df1)| A | B |
|---|---|
| a | x |
| b | y |
| c | z |
表 2
df2 = tibble(
A = c('a', 'b', 'd'),
C = c(3, 2, 1))
kable(df2)| A | C |
|---|---|
| a | 3 |
| b | 2 |
| d | 1 |
键
在正式介绍连接之前，我们先讲一讲键这个概念。
键：就是连接两个表所需要依赖的列。有时候，根据某一列，就可以把两个表连接起来，但也有可能需要根据几列才能完成连接。
合并连接
left_join
左连接，就是左边的表不变，将右边的表附加到左边，不保留右表中多余的观测。
left_join(df1, df2, by = 'A') %>%
kable() %>%
kable_styling()| A | B | C |
|---|---|---|
| a | x | 3 |
| b | y | 2 |
| c | z | NA |
如果左表中的观测在右边的表中不存在，则合并后右表相应的位置标记为NA。
right_join
右连接，就是右边的表不变，将左边的表附加到右边，不保留左表中多余的观察。
right_join(df1, df2, by = 'A') %>%
kable() %>%
kable_styling()| A | B | C |
|---|---|---|
| a | x | 3 |
| b | y | 2 |
| d | NA | 1 |
inner_join
内连接，只保留在两个表中都存在的观测。
inner_join(df1, df2, by = 'A') %>%
kable() %>%
kable_styling()| A | B | C |
|---|---|---|
| a | x | 3 |
| b | y | 2 |
full_join
全连接，保留在两个表中的所有观测。
full_join(df1, df2, by = 'A') %>%
kable() %>%
kable_styling()| A | B | C |
|---|---|---|
| a | x | 3 |
| b | y | 2 |
| c | z | NA |
| d | NA | 1 |
筛选连接
semi_join
过滤左表，只保留那些在右表中存在的观测。
semi_join(df1, df2, by = 'A') %>%
kable() %>%
kable_styling()| A | B |
|---|---|
| a | x |
| b | y |
anti_join
过滤左表，只保留那些不在右表中存在的观测。
anti_join(df1, df2, by = 'A') %>%
kable() %>%
kable_styling()| A | B |
|---|---|
| c | z |
写在最后
本文简单介绍了 dplyr join 系列函数的功能，这些函数还有更加丰富的参数设置，可以参考 tidyverse 官方文档进一步学习。
粉丝福利
学生信，计算机基础一定要好。毫不夸张地说，计算机基础决定了你能否入门，而生物学修养决定你能走多远。没有出发，如何走得远？
从零开始学生信交流群，免费咨询，量身定制学习计划。