一. 数据连接简介
数据分析经常会涉及多个数据表，也称为关系数据库。关系是指两个数据表之间的关系，更多数据表之间的关系总可以表示为两两之间的关系。
一个项目的数据，通常都是用若干数据表分别存放，它们之间通过"键"连接在一起，根据数据分析的需要，通过键匹配进行数据连接。
例如，机场航班数据的连接结构：
键列（可以不止 1 列），能够唯一识别自己或别人数据表的每一个观测。要判断某（些）列是否是键，可以先用 count() 计数，再看是否没有 n > 1 出现：
library(nycflights13)
planes %>%
count(tailnum) %>%
filter(n > 1)
weather %>%
count(year, month, day, hour, origin) %>%
filter(n > 1)
二. 合并行与合并列
合并数据框最基本的方法是：
- 合并行：下方堆叠新行，根据列名匹配列，注意列名相同，否则作为新列（NA填充）；
- 合并列：右侧拼接新列，根据位置匹配行，行数必须相同。
分别用 dplyr 包中的 bind_rows() 和 bind_cols() 实现，其优点是可以一次接受多个数据框。
bind_rows(
+ sample_n(iris, 10),
+ sample_n(iris, 10),
+ sample_n(iris, 10)
+ ) %>% glimpse()
bind_cols(
sample_n(iris, 10),
sample_n(iris, 10),
sample_n(iris, 10)
) %>% glimpse()
有时候，是在批量导入数据的同时做合并行/合并列，用 purrr 包中的 map_dfr() 和 map_dfc() 实现：
map_dfr(.x, .f, .id = "id_col")
map_dfc(.x, .f)应用函数 .f 到列表或向量 .x 的每个元，再将每个结果做“行合并/合并列”创建数据框，前者可增加新列 id_col 描述该行来自哪个文件。具体实例可参考：
张敬信：【R语言】tidyverse之一：读写数据
三. 根据值匹配合并数据框
只介绍最常用的四种合并，先准备数据集：
superheroes <- tribble(
~name, ~alignment, ~gender, ~publisher,
"Magneto", "bad", "male", "Marvel",
"Storm", "good", "female", "Marvel",
"Mystique", "bad", "female", "Marvel",
"Batman", "good", "male", "DC",
"Joker", "bad", "male", "DC",
"Catwoman", "bad", "female", "DC",
"Hellboy", "good", "male", "Dark Horse Comics"
)
superheroes
publishers <- tribble(
~publisher, ~yr_founded,
"DC", 1934L,
"Marvel", 1939L,
"Image", 1992L
)
publishers
- 左连接：left_join()
外连接至少保留一个数据表中的所有观测，其中最常用的是左连接：保留 x 所有行，合并匹配的 y 中的列。
superheroes %>%
left_join(publishers, by="publisher")
注：若两个表中的键列列名不同，用 by=c("name1"="name2").
2. 内连接：inner_join()
内连接是保留两个数据表中所共有的观测：只保留 x 中与 y 匹配的行，合并匹配的 y 中的列。
inner_join(superheroes, publishers, by="publisher")
3. 半连接：semi_join()
根据在 y 中，来筛选 x 中的行。
superheroes %>%
semi_join(publishers, by="publisher")
4. 反连接：anti_join()
根据不在 y 中，来筛选 x 中的行。
superheroes %>%
anti_join(publishers, by="publisher")
四. 集合运算
集合运算有时候很有用，都是针对所有行，通过比较变量的值来实现。这就需要数据表 x 和 y 具有相同的变量，并将观测看成是集合中的元素：
- intersect(x, y)：返回 x 和 y 共同包含的观测；
- union(x, y)：返回 x 和 y 中所有的（唯一）观测；
- setdiff(x, y)：返回在 x 中但不在 y 中的观测。
参考文献：
- Garrett Grolemund, Hadley Wickham. R for Data Science. https://r4ds.had.co.nz/
- Desi Quintans, Jeff Powell. Working in the Tidyverse. http://www.hiercourse.com/
- STAT 545: Chapter 15 Join two tables. Chapter 15 Join two tables | STAT 545
__________________________________
转载请注明，禁止用于出版。
来自 “ ITPUB博客 ” ，链接：https://blog.itpub.net/31537575/viewspace-3132828/ ，如需转载，请注明出处，否则将追究法律责任。
