如何在R中对数据表行进行子集化以获取自身唯一的行

Question

我知道这可能是一个简单的问题，但我似乎无法正确解决。

我有两个数据表，数据表old_dt和数据表new_dt 。 两个数据表都有两个相似的列。 我的目标是从new_dt中获取不在old_dt中的行。

这是一个例子。 Old_dt

v1 v2
1 a
2 b
3 c
4 d

这是new_dt

v1 v2
3 c
4 d
5 e

我想要的只是获得5 e行。

使用setdiff无效，因为我的实际数据超过300万行。 使用这样的子集

sub.cti <- subset(new_dt, old_dt$v1 != new_dt$v1 & old_dt$v2!= new_dt$v2)

仅导致了new_dt本身。

使用

sub.cti <- subset(new_dt, old_dt$v1 != new_dt$v1 & old_dt$v2!= new_dt$v2)

一无所获。

使用

sub.cti <- new_dt[,.(!old_dt$v1, !old_dt$v2)]

导致多行FALSE

有人可以帮我吗？

先感谢您

Answer 1

我们可以join （数据来自@giraffehere的帖子）

df2[!df1, on = "a"]
#   a  b
#1: 6 14
#2: 7 15

根据“ a”列获取“ df1”中不在“ df2”中的行

df1[!df2, on = "a"]
#   a  b
#1: 4  9
#2: 5 10

---

在OP的例子中，我们需要加入on两列

new_dt[!old_dt, on = c("v1", "v2")]
#   v1 v2
#1:  5  e

注意：在这里，我假设'new_dt'和'old_dt'作为data.table s。

---

当然， dplyr是一个很好的软件包。 为了解决此问题，可以使用较短的anti_join

library(dplyr)
anti_join(new_dt, old_dt)
#     v1    v2
#   (int) (chr)
#1     5     e

或setdiff的dplyr可以在data.frame ， data.table ， tbl_df等上工作。

setdiff(new_dt, old_dt)
#   v1 v2
#1:  5  e

但是，该问题被标记为data.table 。

Answer 2

编辑：我注意到OP希望两行，而不仅仅是一行。 我将在此处保留解决方案的数据初始化部分，因为@akron在上面已引用了它。 但是，请使用@akrun发布的最佳解决方案。 它更多的是“ data.table方式”。

df1 <- data.table(a = 1:5, b = 6:10)
df2 <- data.table(a = c(1, 2, 3, 6, 7), b = 11:15)
head(df1)


   a  b
1: 1  6
2: 2  7
3: 3  8
4: 4  9
5: 5 10

head(df2)


   a  b
1: 1 11
2: 2 12
3: 3 13
4: 6 14
5: 7 15

Answer 3

当您在R中处理表格数据时，dplyr会很有帮助-建议您在此处了解有关dplyr的更多信息

library(dplyr)
library(magrittr) # this is just for shorter code with %<>%

# Create a sequence number that combine v1 & v2
Old_dt %<>%
  mutate(sequence = paste0(v1,v2))
new_dt %<>%
  mutate(sequence = paste0(v1,v2))

# Filter new_dt by sequence not existed in old_dt
result <- new_dt %>%
  filter(!(sequence %in% Old_dt$sequence)) %>%
  select(v1:v2)

  v1 v2
   5  e

Answer 4

如果列a重复，则可以尝试以下基础R hack：

id.var1 <- paste(df1$a, df1$b,sep="_")
id.var2 <- paste(df2$a, df2$b,sep="_")

dfKeep <- df[!(id.var2 %in% id.var1),]