模糊左连接与 R 的使用

Question

模糊左连接与 R 的使用

3

library(tidyverse)
library(fuzzyjoin)

df1 <- tibble(col1 = c("apple", "banana", "carrot"),
              col2 = as.numeric(0:2),
              col3 = as.numeric(0:2))
#> # A tibble: 3 x 3
#>   col1   col2  col3
#>   <chr> <int> <int>
#> 1 apple     0     0
#> 2 banana    1     1
#> 3 carrot    2     2

df2 <- tibble(col4 = c("app", "carr"), col5 = c(5, 9), matched = rep(TRUE, 2))
#> # A tibble: 2 x 3
#>   col4   col5 matched
#>   <chr> <dbl> <lgl>  
#> 1 app       5 TRUE   
#> 2 carr      9 TRUE

我有两个数据框，分别为df1和df2。我需要为df1创建一个新列，以指示每一行是否与df2中的某个条目匹配。

我还需要模糊匹配，并且模糊匹配需要不区分大小写（因此需要使用自定义的ci_str_detect函数）:

ci_str_detect <- function(x, y){str_detect(x, regex(y, ignore_case = TRUE))}

df1 %>% 
  fuzzy_inner_join(df2, by = c("col1" = "col4"), match_fun = ci_str_detect)
#># A tibble: 2 x 6
#>  col1    col2  col3 col4   col5 matched
#>  <chr>  <dbl> <dbl> <chr> <dbl> <lgl>  
#>1 apple      0     0 app       5 TRUE   
#>2 carrot     2     2 carr      9 TRUE

很遗憾（在这种情况下），fuzzyjoin R包似乎只能执行INNER JOIN，而我需要的是LEFT JOIN。

最终我需要这个输出：

#> # A tibble: 3 x 6
#>   col1    col2  col3 col4   col5  matched
#>   <chr>  <dbl> <dbl> <chr> <dbl>  <lgl>  
#> 1 apple      0     0 app       5  TRUE   
#> 2 banana     1     1 NA       NA  FALSE 
#> 3 carrot     2     2 carr      9  TRUE

...而使用LEFT JOIN可以提供下面展示的中间数据框，我可以将其中的NA替换为FALSE，以获取我最终想要的结果（如上方所示）。

#> # A tibble: 3 x 6
#>   col1    col2  col3 col4   col5  matched
#>   <chr>  <dbl> <dbl> <chr> <dbl>  <lgl>  
#> 1 apple      0     0 app       5  TRUE   
#> 2 banana     1     1 NA       NA  NA 
#> 3 carrot     2     2 carr      9  TRUE

我该如何在R中进行模糊LEFT连接？

- Display name

2

你确定你期望香蕉的值为 col2 == 2 和 col3 == 2 吗？当我尝试使用 fuzzy_left_join(df1, df2, match_fun = ci_str_detect, by = c(col1 = "col4")) 时，我得到了以下结果：

structure(list(col1 = c("apple", "banana", "carrot"), col2 = c(0,  1, 2), col3 = c(0, 1, 2), col4 = c("app", NA, "carr"), col5 = c(5,  NA, 9), matched = c(TRUE, NA, TRUE)), row.names = c(NA, -3L), class = c("tbl_df",  "tbl", "data.frame"))

。 - biomiha

@biomiha，那就是答案了，我不知道有一个fuzzy_left_join函数。哇。你可以把它作为答案，我会标记为已解决。是的，我之前复制/粘贴/逻辑错误，现在已经更正了。感谢你的帮助。 - Display name

1个回答

网页内容由stack overflow 提供, 点击上面的

可以查看英文原文，
原文链接

- biomiha · Accepted Answer

7

完成了 :)

fuzzy_left_join(df1, df2, match_fun = ci_str_detect, by = c(col1 = "col4"))

- biomiha

2

正切 - 你知道为什么上面的"col1"或col1都可以使用吗？和library(dplyr)或library("dplyr")可以使用的原因一样。 - Display name

1

我必须说，我从来没有完全清楚 NSE 的规则，但是是的，我认为这是最好的解释，即它可以评估未引用和引用的字符串。 - biomiha

但是当我尝试使用 df1 %>% fuzzy_inner_join(df2, by = c("col1" = "col4"), match_fun = ci_str_detect) 时，R也能正确地返回数据表。也许后续版本会修复这个问题。 - Leon Smith

与NSE无关，只是向量的名称可以引用或不引用，因此c(name = "value")等于c("name" = "value")。 - Remko Duursma