加入和合并不会在 R 中返回正确的行数

Question

我有两个共享一个公共列（名为 sys_loc_code）的数据帧。 第一个数据帧 (df1) 有 1033 行。 第二个数据帧 (df2) 有 2751。

我想将 df1 和 df2 结合起来，以便获得一个新的数据框，其中包含在 df1 和 df2 中找到的所有列，仅保留来自 df1 的行。

我尝试过join 、 left_join和inner_join （来自dplyr ）和一个简单的merge 。 每个都返回 2057 行，我认为它应该只返回 1033 以匹配df1 。 如何仅从 df1 返回行？

我无法共享导致此问题的数据集。 但是，经过一些咨询，我可以用这个最小的例子重现这个问题：

df1 <-
  data.frame(
    sys_loc_code = c("A", "B", "C")
    , df1Val = 1
  )


df2 <-
  data.frame(
    sys_loc_code = c("A", "B", "B", "C", "D")
    , df2Val = c(1, 1, 2, 1, 1)
  )

left_join(df1, df2)

返回 4 行而df1只有三行。

Answer 1

最大的问题是df2$sys_loc_code包含df1$sys_loc_code某些值的多个条目。

df1$sys_loc_code只有 3 个值，但其中一个（“B”）在df2$sys_loc_code出现两次，这意味着这些合并将返回 4 行。 例如

left_join(df1, df2)

给

  sys_loc_code df1Val df2Val
1            A      1      1
2            B      1      1
3            B      1      2
4            C      1      1

因此，对您的问题的简短回答可能是，根据您编写的代码，结果实际上是“正确的”。 如果您希望发生不同的事情（例如，每个匹配项只有一个来自df2条目），您可能需要准确决定您想要的输出。

例如，如果您想要df2的第一个条目：

left_join(
  df1
  , df2 %>%
    group_by(sys_loc_code) %>%
    slice(1)
)

给

  sys_loc_code df1Val df2Val
1            A      1      1
2            B      1      1
3            C      1      1


left_join(
  df1
  , df2 %>%
    group_by(sys_loc_code) %>%
    summarise(df2Val = mean(df2Val))
)

给

  sys_loc_code df1Val df2Val
1            A      1    1.0
2            B      1    1.5
3            C      1    1.0

和

left_join(
  df1
  , df2 %>%
    mutate(aVarToSortOn = 1:n()) %>%
    group_by(sys_loc_code) %>%
    slice(which.max(aVarToSortOn))
)

给

  sys_loc_code df1Val df2Val aVarToSortOn
1            A      1      1            1
2            B      1      2            3
3            C      1      1            4

如果您知道列中有唯一值，您还可以使用filter来选择要从df2保留的匹配项