在数据框或数据表中连接匹配的列

Question

我有以下数据框：

a <- data.frame(id = 1:3, v1 = c('a', NA, NA), v2 = c(NA, 'b', 'c'))
b <- data.frame(id = 1:3, v1 = c(NA, 'B', 'C'), v2 = c("A", NA, NA))
> a
  id   v1   v2
1  1    a <NA>
2  2 <NA>    b
3  3 <NA>    c
> b
  id   v1   v2
1  1 <NA>    A
2  2    B <NA>
3  3    C <NA>

注意：在这两个表中，不存在v1或v2都已定义的id；每个id值的每列只有一个唯一的非NA值。

我想要根据"id"的匹配值合并这些数据框：

ab <- merge(a, b, by = "id")

但我也想将两列v1和v2组合起来，这样数据框ab看起来就像这样：

ab <- data.frame(id = 1:3, v1 = c("a", "B", "C"), v2 = c("A", "b", "c"))

> ab
  id v1 v2
1  1  a  A
2  2  B  b
3  3  C  c

相反，我得到了这个：

> merge(a, b, by = "id")
  id v1.x v2.x v1.y v2.y
1  1    a <NA> <NA>    A
2  2 <NA>    b    B <NA>
3  3 <NA>    c    C <NA>

使用data.frame和data.table的示例将非常有帮助，因此以下是上面的data.table版本：

A <- data.table(a, key = 'id')
B <- data.table(b, key = 'id')
A[B]

- David LeBauer

Answer 1

你指定的合并类型可能无法使用merge（与数据框）进行，尽管这样说通常会被证明是错误的。你还省略了一些细节：对于每个id值的每个列中总会有一个单独的非NA值吗？如果是这样，那么这将起作用：

ab <- rbind(a,b)
> colFun <- function(x){x[which(!is.na(x))]}
> ddply(ab,.(id),function(x){colwise(colFun)(x)})
  id v1 v2
1  1  a  A
2  2  B  b
3  3  C  c

使用类似的策略也可以适用于 data.table：

abDT <- data.table(ab,key = "id")
> abDT[,list(colFun(v1),colFun(v2)),by = id]
     id V1 V2
[1,]  1  a  A
[2,]  2  B  b
[3,]  3  C  c

- joran

---

答案是“是”，总会有“一个唯一的非NA值”；这是更清晰地陈述我在第一个代码块下的注释中试图传达的内容：“没有id，v1或v2在两个表中都被定义”。 - David LeBauer

+1 for colwise。我之前不知道这个函数，但它看起来很方便。 - Brandon Bertelsen

@TylerRinker 我不确定你所说的不同id是什么意思。 - joran

此外，@MatthewDowle肯定能够建议一种更流畅的方式来将colFun应用于每一列，而不需要明确列出它们。 - joran

嗨。一个习语是 DT[,lapply(.SD,colFun),by=id]。 - Matt Dowle

@MatthewDowle 我已经想出了 lapply(colnames(abDT), colFun) 但是留下了无名列; .SD 真是太棒了！而且速度非常快。 - David LeBauer

Answer 2

如果你的数据像上面那样简单，joran的回答可能是最简单的方法。以下是我的基本方法:

a <- data.frame(id = 1:3, v1 = c('a', NA, NA), v2 = c(NA, 'b', 'c'))
b <- data.frame(id = 1:3, v1 = c(NA, 'B', 'C'), v2 = c("A", NA, NA))

decider <- function(x, y) factor(ifelse(is.na(x), as.character(y), as.character(x)))
data.frame(mapply(a, b, FUN = decider))

如果您的数据具有不同的ID（有些重叠，有些不重叠），那么这里有一种不同的方法：

a <- data.frame(id = c(1,2,4,5), v1 = c('a', NA, "q", NA), v2 = c(NA, 'b', 'c', "e"))
b <- data.frame(id = 1:4, v1 = c(NA, "A", "C", 'B'), v2 = c("A", NA, "D", NA))

decider <- function(x, y) factor(ifelse(is.na(x), as.character(y), as.character(x)))

DF <- data.frame(mapply(a, b, FUN = decider))
DF2 <- rbind(b[!b$id %in% DF$id , ], DF)
DF2 <- DF2[order(DF2$id), ]
rownames(DF2) <- 1:nrow(DF2)

- Tyler Rinker

---

啊，我明白你的意思了。有些id出现在一个数据框中但另一个没有。我猜测我的一般策略在这种情况下仍然适用，假设OP的规范仍然成立，这意味着孤立的id不会有任何NA值。 - joran