在dplyr中进行连接时如何指定x和y的列名？

Question

我有两个数据框，想要使用dplyr进行合并。其中一个数据框包含名字。

test_data <- data.frame(first_name = c("john", "bill", "madison", "abby", "zzz"),
                        stringsAsFactors = FALSE)

另一个数据框包含经过清理的Kantrowitz姓名语料库，标识性别。以下是一个最简示例：

kantrowitz <- structure(list(name = c("john", "bill", "madison", "abby", "thomas"), gender = c("M", "either", "M", "either", "M")), .Names = c("name", "gender"), row.names = c(NA, 5L), class = c("tbl_df", "tbl", "data.frame"))

我基本上想要在 test_data 表格中使用 kantrowitz 表格查找名称的性别。因为我将把这个过程抽象成一个名为 encode_gender 的函数，所以我不知道数据集中将要使用的列的名称，并且不能保证它会像 kantrowitz$name 中一样是 name。

在基础 R 中，我会按照以下方式执行合并操作：

merge(test_data, kantrowitz, by.x = "first_names", by.y = "name", all.x = TRUE)

这会返回正确的输出：

  first_name gender
1       abby either
2       bill either
3       john      M
4    madison      M
5        zzz   <NA>

但是我希望在dplyr中完成这个任务，因为我正在使用该软件包进行所有其他数据操作。 dplyr的by选项对于各种*_join函数只允许我指定一个列名，但我需要指定两个。 我正在寻找类似于以下内容的东西：

library(dplyr)
# either
left_join(test_data, kantrowitz, by.x = "first_name", by.y = "name")
# or
left_join(test_data, kantrowitz, by = c("first_name", "name"))

如何使用dplyr执行这种类型的连接？

（不要在意Kantrowitz语料库是识别性别的不好方式。我正在开发更好的实现方法，但我想先使这个工作起来。）

- Lincoln Mullen

---

目前还不能实现，但它已列入待办事项：https://github.com/hadley/dplyr/issues/177 - hadley

Answer 1

此功能已添加到dplyr v0.3中。现在，您可以向left_join（和其他连接函数）的by参数传递一个命名的字符向量，以指定每个数据框中要加入哪些列。使用原始问题中提供的示例，代码如下：

left_join(test_data, kantrowitz, by = c("first_name" = "name"))

- Lincoln Mullen

---

这个通常情况下也适用：left_join(data_a, data_b, by = c("a.first" = "b.first", "a.second" = "b.second", "a.third" = "b.third"))？ - davidski

by = 是可选的。您可以执行 left_join(test_data, kantrowitz, c("first_name" = "name"))。 - Pranay Aryal

对于任何函数的参数都是正确的。但在这种情况下，我通常发现使用命名参数而不是位置匹配更明确更好理解。 - Lincoln Mullen

一些用户可能建议更新语法以使用join_by()。 以下是等效的： left_join(test_data, kantrowitz, by = join_by(first_name == name)) - etrowbridge

Answer 2

这更像是一种变通方法而不是真正的解决方案。您可以创建一个名为test_data的新对象，其中包含另一个列名：

left_join("names<-"(test_data, "name"), kantrowitz, by = "name")

     name gender
1    john      M
2    bill either
3 madison      M
4    abby either
5     zzz   <NA>

- Sven Hohenstein

---

重命名会引起复制，我认为这可能是dplyr避免它并让你自己完成的原因。 - joran

在0.1.2版本中，您至少可以执行select(test_data, first_name = name)，这只会进行浅复制。 - hadley

使用 data.table::setnames 吗？ - Hugh

截至2014年6月，解决方案select（test_data，first_name = name）无法正常工作。 - userJT