R 中的合並導致比數據幀之一多的行

Question

我有兩個數據框，第一個包含 9994 行，第二個包含 60431 行。 我想合並兩個數據框，這樣合並后的數據框包含兩個數據框的組合列，但只包含 9994 行。

但是，合並時我得到了超過 9994 行。 我怎樣才能確保這不會發生？

df1 = readRDS('data1.RDS')
nrow(df1)
# [1] 9994

df2 = readRDS('data2.RDS')
nrow(df2)
# [1] 60431

df = merge(df1,df2,by=c("col1","col2"))
nrow(df)
# [1] 10057

df = merge(df1,df2,by=c("col1","col2"),all.x=TRUE)
nrow(df)
# [1] 10057
nrow(na.omit(df))
# [1] 10057

編輯：按照 akrun 的評論。 是的，第二個數據框中有重復

nrow(unique(df2[,c("col1","col2")]))
# [1] 60263
nrow(df2)
# [1] 60431

如果同一個 {col1,col2} 組合有多個，我如何只從數據框中取一行。 當我合並時，我只想有 9994 行。

Answer 1

這應該有效，請務必先對df2進行排序，以便選擇正確的行。

df = merge(
  df1,
  df2[!duplicated(df2[, c("col1","col2")], ],
  by=c("col1","col2"),
  all.x=TRUE
)

這里發生了什么：我通過我們想要合並的列來合並兩個數據框，但我首先只從第二個data.frame df2選擇col1和col2的任何組合的第一次出現。

如果使用data.frame調用， duplicated檢查行是否重復。 我從df2選擇col1和col2 ，因此對於具有相同col1和col2但其他列不同的行， duplicated返回TRUE 。 然后我只選擇不重復的行。

（仔細閱讀[表達式，從里到外檢查函數調用，得到中間結果）

編輯：添加了評論中建議的解釋