在 R (VLOOKUP) 中合並兩個數據幀時遇到問題

Question

我需要幫助將兩個數據框與 R 合並。我有點絕望，因為我已經盡我所能了。 任何幫助，將不勝感激。

問題是我每天都在做一些網絡抓取，我需要將今天的結果與昨天的結果進行比較，以檢測是否有任何變化。

我在兩個數據框中只有兩個變量（頁面標題和 url）（一個用於今天，一個用於昨天），我想將它們合並為一個。

可能的變化是：

• 名稱的變化。
• 網址的變化。
• 新程序（新名稱和新網址）。
• 刪除的程序。

我嘗試過合並、鑄造和熔化、ifelse 等，但我無法解決問題。 例如：

yesterday <- read.csv2("Yesterday.csv")
today <- read.csv2("Today.csv")
new <- merge(x = today, y = yesterday, all = TRUE, sort = TRUE)

但沒有想要的結果。 我附上三個文件：

• Today.csv ，今天抓取的結果
• Yesterdat.csv ，有昨天抓取的結果
• Results.xlsx與所需的輸出。 Excel 中的 VLOOKUP，突出顯示我想要檢測的更改（在這種情況下名稱更改）。

我需要四個更改選項的解決方案。 輸出可能不同，我不在乎，但我需要比較正確即使你發現這個問題是重復的，我也需要另一個問題的鏈接，因為我找不到它。

提前致謝。

Answer 1

根據以下評論更新答案：

library(tidyverse)

bind_rows(

  anti_join(today, yest) %>% 
    mutate(
      label = ifelse(programa %in% yest$programa, 'changed',     'added')
      ),
  anti_join(yest, select(today, programa)) %>%  mutate(label = "deleted")

)

其中，將其應用於整個數據集時，返回以下結果：

# # A tibble: 6 x 3
#   programa                          url                                  label
#   <chr>                             <chr>                                <chr>
# 1 Carrera de Derecho a distancia |~ https://universidadeuropea.es/onlin~ added
# 2 "Carrera de Criminolog\xeda a di~ https://universidadeuropea.es/onlin~ added
# 3 "Carrera Ingenier\xeda Inform\xe~ https://universidadeuropea.es/onlin~ added
# 4 Grado en Derecho a distancia | U~ https://universidadeuropea.es/onlin~ dele~
# 5 "Grado en Criminolog\xeda a dist~ https://universidadeuropea.es/onlin~ dele~
# 6 "Grado Ingenier\xeda Inform\xe1t~ https://universidadeuropea.es/onlin~ dele~

為了檢查是否能夠在程序中注冊更改，我們可以執行以下操作：

yest[22, 2] <- yest[23, 2]

將更改的數據通過管道傳輸到上面的代碼中，返回帶有附加記錄的表，標記為已changed ：

# # A tibble: 7 x 3
#   programa                          url                                  label
#   <chr>                             <chr>                                <chr>
# 1 "M\xe1ster en Direcci\xf3n Hotel~ https://universidadeuropea.es/onlin~ chan~
# 2 Carrera de Derecho a distancia |~ https://universidadeuropea.es/onlin~ added
# 3 "Carrera de Criminolog\xeda a di~ https://universidadeuropea.es/onlin~ added
# 4 "Carrera Ingenier\xeda Inform\xe~ https://universidadeuropea.es/onlin~ added
# 5 Grado en Derecho a distancia | U~ https://universidadeuropea.es/onlin~ dele~
# 6 "Grado en Criminolog\xeda a dist~ https://universidadeuropea.es/onlin~ dele~
# 7 "Grado Ingenier\xeda Inform\xe1t~ https://universidadeuropea.es/onlin~ dele~

解釋：

• 包含在bind_rows()所有內容都被合並到單個 tibble 中。 就我們這里有兩個單獨的anti_join()語句而言，它們每個都返回它自己的 tibble，我們必須將它們rbind到一個；
• anti_join()是一個集合操作，它給出兩個集合 A 和 B，返回另一個集合 C，它是 A 的子集但不是 B 的子集。換句話說，C 是 A 和 B 之間的差。
  • 當我們調用anti_join(today, yest)我們獲得了today一個子集，其中的記錄要么根本不存在於yest中，要么與yest相比program或url發生了yest 。 我們將這些結果傳送到mutate()調用中，並將changed的值分配給label ，如果programa的值與昨天相同（ programa %in% yest$programa ），而url值已更改。 如果programa %in% yest$programa為FALSE ，則表示該程序名稱不在yest因此它是一個新程序，我們將其標記為added 。
  • 當我們第二次調用anti_join()時，我們正在尋找yest和today程序名稱之間的區別。 換句話說：“ yest中存在的哪些程序today不存在？” 我們通過使用不在today程序名稱中的程序名稱查找yest子集來實現這一點（這就是您需要select(today, programa) ）。 如果檢測到任何此類記錄，則將它們標記為deleted 。

對不起，如果這個解釋有點笨拙，但我希望它會幫助你瀏覽代碼。

數據：

tmp <- tempfile()

download.file(
  "https://drive.google.com/uc?authuser=0&id=1scYdZrGYaSDr-TE8IZsy1tKSdLjMn7jt&export=download",
  tmp
  )

today <- read_delim(tmp, delim = ";")

download.file(
  "https://drive.google.com/uc?authuser=0&id=1uJ-ThiKykTjoY1gc3jlBHoab8WAJD-wP&export=download", 
  tmp
  )

yest <- read_delim(tmp, delim = ";")

file.remove(tmp)