基於列和行在R中合並

Question

對於示例數據框：

survey <- structure(list(id = 1:10, cntry = structure(c(2L, 3L, 1L, 2L, 
2L, 3L, 1L, 1L, 3L, 2L), .Label = c("DE", "FR", "UK"), class = "factor"), 
    age.cat = structure(c(1L, 1L, 2L, 4L, 1L, 3L, 4L, 4L, 1L, 
    2L), .Label = c("Y_15.24", "Y_40.54", "Y_55.plus", "Y_less.15"
    ), class = "factor")), .Names = c("id", "cntry", "age.cat"
), class = "data.frame", row.names = c(NA, -10L))

我想添加一個稱為“ age.cat”的額外列，該列由另一個數據框填充：

age.cat <- structure(list(cntry = structure(c(2L, 3L, 1L), .Label = c("DE", 
    "FR", "UK"), class = "factor"), Y_less.15 = c(0.2, 0.2, 0.3), 
        Y_15.24 = c(0.2, 0.1, 0.2), Y_25.39 = c(0.2, 0.3, 0.1), Y_40.54 = c(0.3, 
        0.2, 0.1), Y_55.plus = c(0.1, 0.2, 0.3)), .Names = c("cntry", 
    "Y_less.15", "Y_15.24", "Y_25.39", "Y_40.54", "Y_55.plus"), class = "data.frame", row.names = c(NA, 
    -3L))

age.cat數據框按不同的年齡類別列出了這三個國家的人口比例。 需要在調查數據框中添加相應的國家/年齡類別作為附加列。 以前，例如，當我使用單個國家/地區時，我使用合並，但是據我所知，這在這里不起作用，因為我需要在列和行上進行匹配。

有人有什么想法嗎？

Answer 1

使用data.table ，我將直接執行以下操作：

require(data.table) # v1.9.6+
dt1[dt2, ratio := unlist(mget(age.cat)), by=.EACHI, on="cntry"]

哪里，

dt1 = as.data.table(survey)[, age.cat := as.character(age.cat)]
dt2 = as.data.table(age.cat)

對於dt2每一行，找到dt1$cntry中與dt2$cntry對應的匹配行（通過在cntry列上進行匹配，有助於將其cntry 子集操作）。 提取那些匹配行的age.cat值，並將其傳遞給mget()函數，該函數查找以age.cat的值命名的變量，並在dt2找到它（ age.cat ，我們也允許dt2列也可見）目的），並提取相應的值。 由於它返回list ，因此我們unlist其unlist list 。 這些值通過引用分配給列ratio 。

由於這避免了通過熔化/聚集而不必要地實現中間數據的實現，因此它非常有效。 此外，由於在連接時通過引用添加了新列，因此避免了另一個中間實現，並且效率很高。

就我個人而言，我發現代碼更容易理解所發生的事情（當然具有足夠的基礎R知識），但這當然是主觀的。

---

稍微詳細一點的解釋：

data.table語法的一般形式是DT[i, j, by] ，其內容為：

取DT ， i子集行，然后計算by分組的j 。

data.table中的i參數除了是子集操作（例如dt1[cntry == "FR"] ，還可以是另一個data.table 。

考慮一下表達式： dt1[dt2, on="cntry"] 。

它要做的第一件事是通過對on = "cntry"提供的列進行匹配，為dt2每一行計算dt1所有匹配的行索引。 例如，對於dt2$cntry == "FR" ，在dt1中匹配的行索引是c(1,4,5,10) 。 這些行索引是使用快速二進制搜索在內部計算的。

一旦計算出匹配的行索引，它就會考慮是否在j參數中提供了表達式。 在上面的表達式中， j為空。 因此，它從dt1和dt2返回所有列（導致右連接）。

換句話說，data.table允許加入以類似的方式被執行以子集 （因為在這兩種操作的目的，操作i參數是要獲得匹配的行）。 例如， dt1[cntry == "FR"]將首先計算匹配的行索引，然后提取這些行的所有列（因為j參數中未提供任何列）。 這具有幾個優點。 例如，如果我們只想返回列的子集，那么我們可以這樣做，例如：

dt1[dt2, .(cntry, Y_less.15), on="cntry"]

這是有效的，因為我們查看了j表達式，並注意到只需要這兩列。 因此，在計算出的行索引上，我們僅提取所需的列，從而避免了所有其他列的不必要的實現。 因此有效

同樣，就像我們可以選擇列一樣，我們也可以對列進行計算 。 例如，如果您想獲得sum(Y_less.15)怎么辦？

dt1[dt2, sum(Y_less.15), on="cntry"]
# [1] 2.3

很好，但是它會計算所有匹配行的總和。 如果要在dt2$cntry獲取每一行的sum dt2$cntry辦？ 這是by = .EACHI出現的地方。

dt1[dt2, sum(Y_less.15), on="cntry", by=.EACHI]
#    cntry  V1
# 1:    FR 0.2
# 2:    UK 0.2
# 3:    DE 0.3

by=.EACHI確保為i = dt2每一行評估j表達式。

同樣，我們也可以在使用:=運算符加入時添加/更新列。 這就是上面顯示的答案。 唯一棘手的部分是從dt2提取那些匹配行的值，因為它們存儲在單獨的列中。 因此，我們使用mget() 。 並且表達式“ unlist(mget(.)) 在dt2每一行都被求值，同時與"cntry"列匹配。 然后使用:=運算符將相應的值分配給ratio 。

有關:=運算符歷史的更多詳細信息，請參見this ， this和this 。

有關by=.EACHI更多by=.EACHI ，請參見此文章 。

有關data.table語法介紹和參考語義的更多信息，請參見vignettes 。

希望這可以幫助。

Answer 2

我們可以將第二個數據集melt為“長”格式后進行聯接

library(data.table) #v1.9.7
melt(setDT(age.cat), id.var="cntry")[survey, on = c("cntry",  "variable" = "age.cat")]
#    cntry  variable value id
# 1:    FR   Y_15.24   0.2  1
# 2:    UK   Y_15.24   0.1  2
# 3:    DE   Y_40.54   0.1  3
# 4:    FR Y_less.15   0.2  4
# 5:    FR   Y_15.24   0.2  5
# 6:    UK Y_55.plus   0.2  6
# 7:    DE Y_less.15   0.3  7
# 8:    DE Y_less.15   0.3  8
# 9:    UK   Y_15.24   0.1  9
#10:    FR   Y_40.54   0.3 10

如果我們使用的是CRAN版本，即data.table_1.9.6 ，

melt(setDT(age.cat), id.var="cntry", variable.name = "age.cat")[survey, 
                        on = c("cntry",  "age.cat")]

Answer 3

您可以將age.cat轉換為長格式，然后按以下方式使用join：

library(dplyr)
library(tidyr)
age.cat <- gather(age.cat, age.cat, proportion, -cntry)
inner_join(survey, age.cat)

Answer 4

您可以使用包reshape2和dplyr來做到這dplyr ：

age.cat %>% melt(variable.name="age.cat") %>% left_join(survey, .)
#### id cntry   age.cat value
#### 1  1    FR   Y_15.24   0.2
#### 2  2    UK   Y_15.24   0.1
#### 3  3    DE   Y_40.54   0.1

那是你要的嗎？