提取数据框中与另一个数据框对应行的行索引。

Question

我已经挣扎了一段时间，但无法找到解决方法。这就是我的问题。

我有两个数据框：

    df1 <- data.frame(replicate(3,sample(1:10,20,rep=TRUE)))
    df1
      X1 X2 X3
   1  10  1  9
   2   3  4  2
   3   7  6  8
   4   8 10  7
   5   5  7  5
   6   8  5  9
   7   9  8  4
   8   6  2  7
   9   2  9  6
   10  5  2  9

  df2 <- data.frame(df1[sample(nrow(df1),4), ])
  df2
     X1 X2 X3
  8   6  2  7
  3   7  6  8
  10  5  2  9
  7   9  8  4

我希望创建一个向量x，其长度为length(df1)，对于df1的每一行，x中包含相应行在df2中的行索引（即df1和df2之间每个列的确切值相同）。

请注意：

    dim(df1)
    [1] 1096188  3 

    dim(df2)
    [1] 256  3

同时，df1存在多行具有相同的值（即对应的行索引相同），理论上df1中的所有行都应该与df2中的行匹配。

期望输出结果为：

    x
   [1] 0 0 2 0 0 0 4 1 0 3

希望我表述清楚了...你能帮忙吗？

谢谢，

Piera

- Piera

---

不行。我需要一个与df1长度相同的新向量，其中包含df2的行索引，其条目与df1完全相同。因此，最终，对于df1的每一行，我都会有相应的df2中对应行的行索引。当然，df1将具有多个具有相同值的行，因此关联的行索引将是相同的。 - Piera

是的，抱歉，我认为示例可能需要改进。我的df1有几行具有相同值的数据。我应该澄清一下。 - Piera

你能否发布一下你对所给示例的期望输出？我假设它是 [1] 8 3 10 7。 - Pierre L

已完成！ :) 根据要求进行了编辑。 - Piera

@CathG 已完成。现在清楚了吗？ - Piera

Answer 1

这里有一个使用 data.table 的选项：

require(data.table)

# first set the original orders (data.frame will be sorted when doing setkey)
setDT(df1)[, ori := .I]
setDT(df2)[, ind_df2 := .I]

# define keys
setkey(df1, X1, X2, X3)
setkey(df2, X1, X2, X3)

# compute the indices of the df1 line in df2
x <- df2[df1, ind_df2]
# put the nomatch to 0
x[is.na(x)] <- 0

# Finally, put the original orders back and delete the variable ori
x <- x[order(df1$ori)]
df2 <- df2[order(df2$ind_df2)]
df1[, ori:=NULL]
df2[, ind_df2:=NULL]

您的数据所得到的 x 值：

x
#[1] 0 0 2 0 0 0 4 1 0 3

另一个更简单高效的选择，由@Frank提出：

setkeyv(setDT(df2)[,ii:=.I],setdiff(names(df2),"ii"))
x <- df2[df1]$ii
x[is.na(x)] <- 0

对于100000行df1和200行df2之间的一些基准测试结果，包括@nicola 的答案、@Frank 的建议和我的回答（稍微修改了nicola的答案以获得所需输出，两个函数都给出相同的结果，除了nicola需要使用as.numeric）：

因此：

set.seed(17)
df1 <- data.frame(replicate(3,sample(1:100,100000,rep=TRUE)))
df2 <- data.frame(df1[sample(nrow(df1),200), ])

nicola <- function(){x<-match(do.call(paste,df1),do.call(paste,df2), nomatch=0)}

cath <- function(){
          dt1 <-data.table(df1); dt1[, ori:=.I]
          dt2 <- data.table(df2); dt2[, ind_df2:=.I]
          setkey(dt1, X1, X2, X3)
          setkey(dt2, X1, X2, X3)
          x <- dt2[dt1, ind_df2]
          x[is.na(x)] <- 0
          x <- x[order(dt1$ori)]
          x
        }

Frank <- function(){dt1 <-data.table(df1);dt2 <- data.table(df2); setkey(setDT(dt2)[,ii:=.I],X1,X2,X3); x <- dt2[dt1]$ii;x[is.na(x)] <- 0}

require(microbenchmark)
microbenchmark(cath(), Frank(), nicola(), unit="relative", times=100)
    #Unit: relative
    # expr       min        lq     mean    median       uq      max neval cld
  #Frank()  1.000000  1.000000 1.000000  1.000000 1.000000 1.000000   100 a  
  # cath()  3.238195  3.099896 2.438342  2.767165 2.177365 1.447397   100  b 
 #nicola() 13.127820 12.476996 8.761549 10.899191 7.292086 2.783436   100   c

- Cath

---

这个可以运行！非常感谢！但是当我尝试在原始表单中重新排序时，出现了错误; 它告诉我：order(df1$ori) 中的参数1不是向量。 - Piera

现在它可以工作了！而且速度也很快！！问题是我第一次运行时出现了一些错误，因为我需要更改df的名称，然后显然没有重新运行所有内容，所以ori已经消失了。太好了！再次感谢！ - Piera

使用.I代替1:nrow()。 - David Arenburg

@nicola。我不同意，OP对“rownames”并不感兴趣，而是对索引感兴趣。使用您的解决方案，我无法获得所需的输出。但是，如果我使用x<-(1:nrow(df2))[match(do.call(paste,df1),do.call(paste,df2))]，我可以得到所需的输出。 - Cath

嗯...抱歉，我不确定你的回答中“它”被使用了两次是什么意思...但我正在用手机查看，可能漏掉了一些内容。 - David Arenburg

Answer 2

我建议您尝试以下方法：

 x <- rownames(df2)[match(do.call(paste, df1), do.call(paste, df2))]
 x[is.na(x)] <- 0

对于期望的输出，有很多讨论；在@CathG的解释中，这行代码将产生它：

 match(do.call(paste, df1), do.call(paste, df2),nomatch=0)

- nicola

---

我真的无法确定阅读 OP 的时候他想要行索引还是行名称。由于他的 df2 确实有行名称，所以我选择了这个解决方案。如果 OP 参与并清楚地说明他想要什么，我会根据需要进行更改。 - nicola

嗯...实际上，我使用这个函数得到了正确的值，但是使用data.table方法得到的结果不同... - Piera

@Piera，你需要df2中存在的df1行的索引还是df2行的索引？Nicola的答案给出了第一个（但仅因为df2是基于df1构建的），我给出了第二个。 - Cath

@Nicola，我需要行的索引，但由于在我的数据框中，行名称和索引是相同的，所以你的解决方案对我很有效。抱歉造成了混乱... - Piera

@Piera。是的，可能吧。我更喜欢用索引来交流而不是行名称。行名称可以是任何东西... - Cath

Answer 3

我知道这是一个非常久远的问题的新答案，但是它有什么问题呢？

match(data.frame(t(df1)), data.frame(t(df2))) 

??

输出结果为

[1] NA NA  2 NA NA NA  4  1 NA  3

所以这里有一些NA而不是0，但除此之外我认为这只是一个代码行，也不需要使用do.call()或其他什么的。

- Curt F.

Answer 4

在你的例子中，df1中的行并不都在df2中有匹配项（例如第一行）。但是，假设它们确实有匹配项（可能df1中有多个重复的行），你可以这样做：

x <- rep(0, length(df1[, 1]) #initialise
for(r1 in 1:length(df1[, 1])){
  for(r2 in 1:length(df2[, 1])){
    if(identical(df1[r1,], df2[r2,])){
      x[r1] <- r2
      break
    }
  }
}

在df1中实际上不在df2中的任何行都将保留值0。也许不是最快的解决方案 - 你需要重复多少次这个过程？

- CJB

---

不确定为什么它不起作用：我得到了所有的0，尽管我检查过了，我有匹配的行，所以它不应该这样。 - Piera

尽管每次我重新生成df2并重新运行时，x的结果都是类似但不完全相同的，但对我来说它有效。可能与“样本”有关？ - CJB

不知道。我正在使用我的原始数据框，但是得到的全是0...不知道为什么，抱歉。 - Piera