Wie beitreten (merge) Datenrahmen (innen, außen, links, rechts)

StackOverflow https://stackoverflow.com/questions/1299871

Frage

Bei zwei Datenrahmen: 

df1 = data.frame(CustomerId = c(1:6), Product = c(rep("Toaster", 3), rep("Radio", 3)))
df2 = data.frame(CustomerId = c(2, 4, 6), State = c(rep("Alabama", 2), rep("Ohio", 1)))

df1
#  CustomerId Product
#           1 Toaster
#           2 Toaster
#           3 Toaster
#           4   Radio
#           5   Radio
#           6   Radio

df2
#  CustomerId   State
#           2 Alabama
#           4 Alabama
#           6    Ohio

Wie kann ich Datenbank-Stil zu tun, das heißt, SQL-Stil, Joins? Das heißt, wie bekomme ich:

  • Ein Exklusionsverknüpfung von df1 und df2:
    Rückkehr nur die Zeilen, in denen die linke Tabelle in der rechten Tabelle passende Schlüssel hat.
  • Ein Outer-Joins von df1 und df2:
    Gibt alle Zeilen aus beiden Tabellen, verbinden sie Aufzeichnungen von links, die Tasten in der rechten Tabelle haben übereinstimmen.
  • linke äußere (oder einfach beitreten links) von df1 und df2
    Gibt alle Zeilen aus der linken Tabelle, und alle Zeilen mit Schlüsseln aus der rechten Tabelle entsprechen.
  • rechten Außen von df1 und df2
    beitreten Gibt alle Zeilen aus der rechten Tabelle, und alle Zeilen mit Schlüsseln aus der linken Tabelle entsprechen.

Zusatzkredit:

Wie kann ich eine SQL-Stil select-Anweisung tun?

War es hilfreich?

Lösung

Durch die Verwendung der merge Funktion und deren optionale Parameter:

Inner Join: merge(df1, df2) wird für diese Beispiele arbeiten, weil R automatisch den Rahmen von gemeinsamen Variablennamen verbindet, aber Sie würden wahrscheinlich wollen merge(df1, df2, by = "CustomerId") angeben, um sicherzustellen, dass Sie wurden passend auf nur einige Felder gewünscht. Sie können auch die by.x und by.y Parameter verwenden, wenn die passenden Variablen verschiedene Namen in den verschiedenen Datenrahmen haben.

Outer Join: merge(x = df1, y = df2, by = "CustomerId", all = TRUE)

Links außen: merge(x = df1, y = df2, by = "CustomerId", all.x = TRUE)

Rechts außen: merge(x = df1, y = df2, by = "CustomerId", all.y = TRUE)

Cross verbinden: merge(x = df1, y = df2, by = NULL)

Genau wie bei der inneren Verknüpfung, würden Sie wahrscheinlich wollen explizit „CustomerId“ bis R als die passende Variable übergeben. Ich denke, es ist fast immer am besten, um explizit die Kennungen angeben, auf dem Sie möchten verschmelzen; es ist sicherer, wenn die Eingabe unerwartet und leichter ändern data.frames später zu lesen.

Sie können, indem sie by einen Vektor, beispielsweise by = c("CustomerId", "OrderId") auf mehreren Säulen verschmelzen.

Wenn die Spaltennamen auf fusionieren sind nicht die gleiche, können Sie angeben, zum Beispiel by.x = "CustomerId_in_df1", by.y = "CustomerId_in_df2" wo CustomerId_in_df1 ist der Name der Spalte in dem ersten Datenrahmen und CustomerId_in_df2 ist der Name der Spalte in dem zweiten Datenrahmen. (Diese können auch Vektoren sein, wenn Sie auf mehrere Spalten fusionieren müssen.)

Andere Tipps

Ich würde empfehlen, Check-out Gabor Grothendiecks sqldf Paket , die Ihnen erlaubt, diese Vorgänge in SQL zum Ausdruck bringen. 

library(sqldf)

## inner join
df3 <- sqldf("SELECT CustomerId, Product, State 
              FROM df1
              JOIN df2 USING(CustomerID)")

## left join (substitute 'right' for right join)
df4 <- sqldf("SELECT CustomerId, Product, State 
              FROM df1
              LEFT JOIN df2 USING(CustomerID)")

Ich finde die SQL-Syntax einfacher und natürlicher als die R äquivalent zu sein (dies kann aber nur mein RDBMS Bias reflektiert).

Siehe

Gabor sqldf GitHub für weitere Informationen über beitritt.

Es ist die data.table Ansatz für eine innere Verknüpfung, die sehr zeit- und speichereffizient ist (und notwendig für einige größere data.frames): 

library(data.table)

dt1 <- data.table(df1, key = "CustomerId") 
dt2 <- data.table(df2, key = "CustomerId")

joined.dt1.dt.2 <- dt1[dt2]

merge funktioniert auch auf data.tables (wie es allgemein ist, und fordert merge.data.table) 

merge(dt1, dt2)

data.table auf Stackoverflow dokumentiert:
Wie eine data.table Mischoperation tun < br> Translating SQL-Joins auf Fremdschlüssel R-Daten. Tabelle Syntax
Effiziente Alternativen für größere data.frames R zu fusionieren
Wie eine grundlegende links zu tun Außen mit data.table in R verbinden?

Eine weitere Option ist die join Funktion in der plyr Paket 

library(plyr)

join(df1, df2,
     type = "inner")

#   CustomerId Product   State
# 1          2 Toaster Alabama
# 2          4   Radio Alabama
# 3          6   Radio    Ohio

Optionen für type. inner, left, right, full

Von ?join. Im Gegensatz zu merge [join] bewahrt die Reihenfolge der x, egal was Join-Typ verwendet wird,

Sie können Joins auch tun Hadley Wickham ehrfürchtige dplyr Paket. 

library(dplyr)

#make sure that CustomerId cols are both type numeric
#they ARE not using the provided code in question and dplyr will complain
df1$CustomerId <- as.numeric(df1$CustomerId)
df2$CustomerId <- as.numeric(df2$CustomerId)

Mutating verbindet: Spalten hinzufügen mit Treffern in df2 df1 

#inner
inner_join(df1, df2)

#left outer
left_join(df1, df2)

#right outer
right_join(df1, df2)

#alternate right outer
left_join(df2, df1)

#full join
full_join(df1, df2)

Filtern verbinden: auszufiltern Zeilen in df1, nicht ändern Spalten 

semi_join(df1, df2) #keep only observations in df1 that match in df2.
anti_join(df1, df2) #drops all observations in df1 that match in df2.

Es gibt einige gute Beispiele, dies zu tun in der über R Wiki . Ich werde ein paar stehlen hier:

Merge-Methode

Da Ihre Schlüssel sind die gleich den kurzen Weg namens einem inneren zu tun Join fusionieren (): 

merge(df1,df2)

ein vollständige innere Verknüpfung (alle Datensätze aus beiden Tabellen) mit dem „all“ Schlüsselwort erstellt werden: 

merge(df1,df2, all=TRUE)

eine linke äußere Verknüpfung von DF1 und DF2: 

merge(df1,df2, all.x=TRUE)

eine rechte äußere Verknüpfung von DF1 und DF2: 

merge(df1,df2, all.y=TRUE)

Sie können Flip 'em, schlagen' em und reiben ‚em die beiden anderen runter Outer-Joins Sie gefragt:)

Subscript Methode

Eine äußere linke Seite mit DF1 auf der linken Seite verbinden, um eine Index-Methode wäre: 

df1[,"State"]<-df2[df1[ ,"Product"], "State"]

Die andere Kombination von äußeren Joins können durch mungling die linke äußere Verknüpfung Index Beispiel erstellt werden. (Ja, ich weiß, das ist das Äquivalent zu sagen: „Ich kann es als eine Übung für den Leser überlassen werden ...“)

Neu im Jahr 2014:

Vor allem, wenn Sie in Datenmanipulation im Allgemeinen auch interessiert sind (einschließlich Sortierung, Filterung, subsetting, Zusammenfassung etc.), sollten Sie unbedingt einen Blick auf dplyr nehmen, die mit einer Vielzahl von Funktionen kommen alle entworfen, um Ihre Arbeit zu erleichtern speziell mit Datenrahmen und bestimmte andere Datenbanktypen. Es bietet sogar eine recht aufwändige SQL-Schnittstelle, und sogar eine Funktion zu konvertieren (die meisten) SQL-Code direkt in R.

Die vier Verbindungsbezogenen Funktionen im dplyr Paket sind (Zitat):

  • inner_join(x, y, by = NULL, copy = FALSE, ...): return alle Zeilen aus x, wo es Werte in y, und alle Spalten von x und y
    • passend
  • left_join(x, y, by = NULL, copy = FALSE, ...): return alle Zeilen aus x, und alle Spalten von x und y
  • semi_join(x, y, by = NULL, copy = FALSE, ...): return alle Zeilen aus x, wo es passende Werte in y, halten nur Spalten von x.
  • anti_join(x, y, by = NULL, copy = FALSE, ...): return alle Zeilen von x wo es keine Werte in y übereinstimmt, halten nur Spalten von x

Es ist alles hier im Detail.

Die Auswahl Spalten können durch select(df,"column") erfolgen. Wenn das für Sie nicht SQL-ish genug ist, dann gibt es die sql() Funktion, in die Sie SQL-Code eingeben, wie sie ist, und es wird die Operation tun Sie gerade angegeben, wie Sie in R entlang (für weitere Informationen schreiben würden, bitte beziehen sich auf die dplyr / Datenbanken Vignette ). Zum Beispiel wird, wenn es richtig angewandt wird, sql("SELECT * FROM hflights") wählen Sie alle Spalten aus dem „hflights“ dplyr Tisch (ein „TBL“).

Update auf data.table Methoden für Datensätze verbinden. Im folgenden sehen Sie Beispiele für jede Art von beizutreten. Es gibt zwei Methoden, ein aus [.data.table wenn zweitem data.table als erstes Argument Passieren der Teilmenge, eine andere Art und Weise ist merge Funktion zu verwenden, die data.table Verfahren zum schnellen entsendet. 

df1 = data.frame(CustomerId = c(1:6), Product = c(rep("Toaster", 3), rep("Radio", 3)))
df2 = data.frame(CustomerId = c(2L, 4L, 7L), State = c(rep("Alabama", 2), rep("Ohio", 1))) # one value changed to show full outer join

library(data.table)

dt1 = as.data.table(df1)
dt2 = as.data.table(df2)
setkey(dt1, CustomerId)
setkey(dt2, CustomerId)
# right outer join keyed data.tables
dt1[dt2]

setkey(dt1, NULL)
setkey(dt2, NULL)
# right outer join unkeyed data.tables - use `on` argument
dt1[dt2, on = "CustomerId"]

# left outer join - swap dt1 with dt2
dt2[dt1, on = "CustomerId"]

# inner join - use `nomatch` argument
dt1[dt2, nomatch=NULL, on = "CustomerId"]

# anti join - use `!` operator
dt1[!dt2, on = "CustomerId"]

# inner join - using merge method
merge(dt1, dt2, by = "CustomerId")

# full outer join
merge(dt1, dt2, by = "CustomerId", all = TRUE)

# see ?merge.data.table arguments for other cases

Unter Benchmark-Tests Basis R, sqldf, dplyr und data.table.
Benchmark-Tests unverkeilten / unindexed Datensätze. Benchmark durchgeführt wird, auf 50 M-1 Zeilen Datensätze gibt es 50M-2 gemeinsame Werte auf Joinspalte so jedes Szenario (innere, links, rechts, volle) getestet werden kann, und kommen immer noch nicht trivial auszuführen. Es ist Art von Algorithmen verbinden, die auch Stress verbinden. Timings sind wie von sqldf:0.4.11, dplyr:0.7.8, data.table:1.12.0. 

# inner
Unit: seconds
   expr       min        lq      mean    median        uq       max neval
   base 111.66266 111.66266 111.66266 111.66266 111.66266 111.66266     1
  sqldf 624.88388 624.88388 624.88388 624.88388 624.88388 624.88388     1
  dplyr  51.91233  51.91233  51.91233  51.91233  51.91233  51.91233     1
     DT  10.40552  10.40552  10.40552  10.40552  10.40552  10.40552     1
# left
Unit: seconds
   expr        min         lq       mean     median         uq        max 
   base 142.782030 142.782030 142.782030 142.782030 142.782030 142.782030     
  sqldf 613.917109 613.917109 613.917109 613.917109 613.917109 613.917109     
  dplyr  49.711912  49.711912  49.711912  49.711912  49.711912  49.711912     
     DT   9.674348   9.674348   9.674348   9.674348   9.674348   9.674348       
# right
Unit: seconds
   expr        min         lq       mean     median         uq        max
   base 122.366301 122.366301 122.366301 122.366301 122.366301 122.366301     
  sqldf 611.119157 611.119157 611.119157 611.119157 611.119157 611.119157     
  dplyr  50.384841  50.384841  50.384841  50.384841  50.384841  50.384841     
     DT   9.899145   9.899145   9.899145   9.899145   9.899145   9.899145     
# full
Unit: seconds
  expr       min        lq      mean    median        uq       max neval
  base 141.79464 141.79464 141.79464 141.79464 141.79464 141.79464     1
 dplyr  94.66436  94.66436  94.66436  94.66436  94.66436  94.66436     1
    DT  21.62573  21.62573  21.62573  21.62573  21.62573  21.62573     1

Beachten Sie gibt es andere Arten von Verknüpfungen können Sie durchführen data.table mit:
  - Update auf beitreten - wenn Sie Werte aus einer anderen Tabelle zu Ihrer Haupttabelle
Nachschlag wollen   - Aggregat auf beitreten - wenn Sie auf Schlüssel aggregieren möchten Sie beitreten, Sie müssen nicht materialisieren alle Ergebnisse beitreten
  - überlappende beitreten - wenn Sie durch Bereiche zusammenführen möchten
  - rollen verbinden - wenn Sie zusammenführen möchten aus vorhergehenden / folgenden Zeilen auf Werte in der Lage sein zu entsprechen, indem sie vorwärts oder rückwärts rollen
  - nicht-equi beitreten - wenn Ihre Joinbedingung ist nicht gleich

-Code zu reproduzieren: 

library(microbenchmark)
library(sqldf)
library(dplyr)
library(data.table)
sapply(c("sqldf","dplyr","data.table"), packageVersion, simplify=FALSE)

n = 5e7
set.seed(108)
df1 = data.frame(x=sample(n,n-1L), y1=rnorm(n-1L))
df2 = data.frame(x=sample(n,n-1L), y2=rnorm(n-1L))
dt1 = as.data.table(df1)
dt2 = as.data.table(df2)

mb = list()
# inner join
microbenchmark(times = 1L,
               base = merge(df1, df2, by = "x"),
               sqldf = sqldf("SELECT * FROM df1 INNER JOIN df2 ON df1.x = df2.x"),
               dplyr = inner_join(df1, df2, by = "x"),
               DT = dt1[dt2, nomatch=NULL, on = "x"]) -> mb$inner

# left outer join
microbenchmark(times = 1L,
               base = merge(df1, df2, by = "x", all.x = TRUE),
               sqldf = sqldf("SELECT * FROM df1 LEFT OUTER JOIN df2 ON df1.x = df2.x"),
               dplyr = left_join(df1, df2, by = c("x"="x")),
               DT = dt2[dt1, on = "x"]) -> mb$left

# right outer join
microbenchmark(times = 1L,
               base = merge(df1, df2, by = "x", all.y = TRUE),
               sqldf = sqldf("SELECT * FROM df2 LEFT OUTER JOIN df1 ON df2.x = df1.x"),
               dplyr = right_join(df1, df2, by = "x"),
               DT = dt1[dt2, on = "x"]) -> mb$right

# full outer join
microbenchmark(times = 1L,
               base = merge(df1, df2, by = "x", all = TRUE),
               dplyr = full_join(df1, df2, by = "x"),
               DT = merge(dt1, dt2, by = "x", all = TRUE)) -> mb$full

lapply(mb, print) -> nul

dplyr seit 0.4 implementiert alle, schließt sich einschließlich outer_join, aber es war bemerkenswert, dass für die ersten paar Versionen vor 0.4 es nicht verwendet outer_join anbieten zu können, und als Folge gibt es eine Menge wirklich schlecht Hacky Abhilfe Benutzercode im Umlauf für eine ganze Weile danach (Sie noch einen solchen Code in sO finden, Kaggle Antworten, github aus dieser Zeit. Daher ist diese Antwort dient nach wie vor einen nützlichen Zweck.)

Join-bezogene # :

v0.5 (6/2016)

  • Handling für POSIXct Typ, Zeitzonen, Dubletten, unterschiedliche Faktorstufen. Bessere Fehler und Warnungen.
  • Argument New Suffix zu steuern, welche dupliziert Suffix Variablennamen erhalten (# 1296)

v0.4.0 (1/2015)

v0.3 (10/2014)

  • kann nun durch verschiedene Variablen in jeder Tabelle left_join: df1%>% left_join (DF2, c ( "var1" = "var2"))

v0.2 (5/2014)

  • * _ join () nicht mehr Spaltennamen (# 324) neu ordnet

v0.1.3 (4/2014)

Umgehungen pro Hadleys Kommentare in dieser Ausgabe:

  • right_join (x, y) ist die gleiche wie left_join (y, x) in Bezug auf die Reihen, nur werden die Spalten unterschiedliche Aufträge sein. Leicht gearbeitet um mit select (new_column_order)
  • outer_join ist im Grunde Union (left_join (x, y), right_join (x, y)) - d. H alle Zeilen in den beiden Datenrahmen erhalten

In Verbindung von zwei Datenrahmen mit ~ 1 Million Zeilen je eines mit 2 Spalten und das andere mit ~ 20 habe ich überraschenderweise merge(..., all.x = TRUE, all.y = TRUE) gefunden dann dplyr::full_join() schneller zu sein. Dies ist mit dplyr v0.4

Merge nimmt ~ 17 Sekunden full_join dauert ~ 65 Sekunden.

Einige Lebensmittel für obwohl, da ich in der Regel dplyr für Manipulationsaufgaben Standard.

Für den Fall eines LEFT JOIN mit einer 0..*:0..1 Mächtigkeit oder ein Recht kommt mit einer 0..1:0..* Mächtigkeit ist es möglich, an Ort und Stelle der einseitigen Spalten aus den Schreinern (die 0..1 Tabelle) direkt auf die joinee (die 0..* Tabelle) zuweisen und dadurch die Schaffung einer völlig neuen Tabelle von Daten zu vermeiden. Dies erfordert die Schlüsselspalten von der joinee in den Schreiner und Indizierung + passend zu den Reihen Tischler Bestellung entsprechend für die Zuordnung.

Wenn Sie die Taste eine einzelne Spalte ist, dann können wir einen einzigen Aufruf von match() die Anpassung zu tun. Dies ist der Fall, dass ich in dieser Antwort behandeln werden.

Hier ist ein Beispiel auf dem OP basiert, außer ich eine zusätzliche Zeile df2 mit einer ID von 7 hinzugefügt habe den Fall eines nicht passenden Schlüssel in dem Tischler zu testen. Dies ist effektiv df1 links df2 verbinden: 

df1 <- data.frame(CustomerId=1:6,Product=c(rep('Toaster',3L),rep('Radio',3L)));
df2 <- data.frame(CustomerId=c(2L,4L,6L,7L),State=c(rep('Alabama',2L),'Ohio','Texas'));
df1[names(df2)[-1L]] <- df2[match(df1[,1L],df2[,1L]),-1L];
df1;
##   CustomerId Product   State
## 1          1 Toaster    <NA>
## 2          2 Toaster Alabama
## 3          3 Toaster    <NA>
## 4          4   Radio Alabama
## 5          5   Radio    <NA>
## 6          6   Radio    Ohio

In der obigen ich eine Annahme hartcodiert, dass die Schlüsselspalte in der ersten Spalte der beiden Eingangs Tabellen ist. Ich würde, dass im Allgemeinen argumentieren, dies ist keine unvernünftige Annahme, da, wenn Sie einen data.frame mit einer Schlüsselspalte haben, wäre es seltsam, wenn es nicht als erste Spalte des data.frame eingerichtet worden von der Anfang. Und Sie können immer die Spalten neu anordnen, um es so zu machen. Eine vorteilhafte Folge dieser Annahme ist, dass der Name des Schlüsselspalts nicht hartcodiert, sein muss, obwohl ich glaube, es nur mit einem anderen Annahme ist zu ersetzen. Prägnanz ist ein weiterer Vorteil von ganzzahligen Indexierungs sowie Geschwindigkeit. In den Benchmarks unten Ich werde die Implementierung ändern string name Indizierung zu verwenden, um die konkurrierenden Implementierungen entsprechen.

Ich denke, dies ist eine besonders geeignete Lösung, wenn Sie mehrere Tabellen, die Sie kommen mit einem einzelnen großen Tisch verlassen wollen. Wiederholt die gesamte Tabelle unnötig und ineffizient wäre für jeden merge wieder aufzubauen.

Auf der anderen Seite, wenn Sie die joinee müssen aus irgendeinem Grunde unverändert durch diesen Vorgang bleiben, dann kann diese Lösung nicht verwendet werden, da sie die joinee direkt modifiziert. Obwohl in diesem Fall können Sie einfach eine Kopie erstellen und die Vor-Ort-Zuordnung (en) auf der Kopie durchzuführen.

Als Randbemerkung, ich in mögliche passenden Lösungen für mehrspaltigen Schlüssel kurz sah. Leider habe ich die einzigen passenden Lösungen gefunden wurden:

  • ineffizient Verkettungen. z.B. match(interaction(df1$a,df1$b),interaction(df2$a,df2$b)) oder die gleiche Idee mit paste().
  • ineffizient kartesische Konjunktionen, z.B. outer(df1$a,df2$a,`==`) & outer(df1$b,df2$b,`==`).
  • base R merge() und äquivalente Paket-basierte merge Funktionen, die immer eine neue Tabelle zuteilen das fusionierte Ergebnis zurückzugeben, und sind somit nicht geeignet für eine In-Place-Zuordnung basierende Lösung.

Zum Beispiel finden Sie unter mehr Spalten auf verschiedenen Datenrahmen Passende und andere Spalt als Ergebnis bekommen, Spiel zwei Spalten mit zwei anderen Spalten , Passende auf mehrere Spalten und der Betrogene dieser Frage, woher ich komme ursprünglich mit der in-Place-Lösung auf, mit unterschiedlicher Anzahl von Zeilen in R zwei Datenrahmen kombinieren.

Benchmarking

Ich beschloss, mein eigenes Benchmarking zu tun, um zu sehen, wie der Vor-Ort-Zuordnung Ansatz zu den anderen Lösungen vergleicht, die in dieser Frage angeboten wurde.

Testing Code: 

library(microbenchmark);
library(data.table);
library(sqldf);
library(plyr);
library(dplyr);

solSpecs <- list(
    merge=list(testFuncs=list(
        inner=function(df1,df2,key) merge(df1,df2,key),
        left =function(df1,df2,key) merge(df1,df2,key,all.x=T),
        right=function(df1,df2,key) merge(df1,df2,key,all.y=T),
        full =function(df1,df2,key) merge(df1,df2,key,all=T)
    )),
    data.table.unkeyed=list(argSpec='data.table.unkeyed',testFuncs=list(
        inner=function(dt1,dt2,key) dt1[dt2,on=key,nomatch=0L,allow.cartesian=T],
        left =function(dt1,dt2,key) dt2[dt1,on=key,allow.cartesian=T],
        right=function(dt1,dt2,key) dt1[dt2,on=key,allow.cartesian=T],
        full =function(dt1,dt2,key) merge(dt1,dt2,key,all=T,allow.cartesian=T) ## calls merge.data.table()
    )),
    data.table.keyed=list(argSpec='data.table.keyed',testFuncs=list(
        inner=function(dt1,dt2) dt1[dt2,nomatch=0L,allow.cartesian=T],
        left =function(dt1,dt2) dt2[dt1,allow.cartesian=T],
        right=function(dt1,dt2) dt1[dt2,allow.cartesian=T],
        full =function(dt1,dt2) merge(dt1,dt2,all=T,allow.cartesian=T) ## calls merge.data.table()
    )),
    sqldf.unindexed=list(testFuncs=list( ## note: must pass connection=NULL to avoid running against the live DB connection, which would result in collisions with the residual tables from the last query upload
        inner=function(df1,df2,key) sqldf(paste0('select * from df1 inner join df2 using(',paste(collapse=',',key),')'),connection=NULL),
        left =function(df1,df2,key) sqldf(paste0('select * from df1 left join df2 using(',paste(collapse=',',key),')'),connection=NULL),
        right=function(df1,df2,key) sqldf(paste0('select * from df2 left join df1 using(',paste(collapse=',',key),')'),connection=NULL) ## can't do right join proper, not yet supported; inverted left join is equivalent
        ##full =function(df1,df2,key) sqldf(paste0('select * from df1 full join df2 using(',paste(collapse=',',key),')'),connection=NULL) ## can't do full join proper, not yet supported; possible to hack it with a union of left joins, but too unreasonable to include in testing
    )),
    sqldf.indexed=list(testFuncs=list( ## important: requires an active DB connection with preindexed main.df1 and main.df2 ready to go; arguments are actually ignored
        inner=function(df1,df2,key) sqldf(paste0('select * from main.df1 inner join main.df2 using(',paste(collapse=',',key),')')),
        left =function(df1,df2,key) sqldf(paste0('select * from main.df1 left join main.df2 using(',paste(collapse=',',key),')')),
        right=function(df1,df2,key) sqldf(paste0('select * from main.df2 left join main.df1 using(',paste(collapse=',',key),')')) ## can't do right join proper, not yet supported; inverted left join is equivalent
        ##full =function(df1,df2,key) sqldf(paste0('select * from main.df1 full join main.df2 using(',paste(collapse=',',key),')')) ## can't do full join proper, not yet supported; possible to hack it with a union of left joins, but too unreasonable to include in testing
    )),
    plyr=list(testFuncs=list(
        inner=function(df1,df2,key) join(df1,df2,key,'inner'),
        left =function(df1,df2,key) join(df1,df2,key,'left'),
        right=function(df1,df2,key) join(df1,df2,key,'right'),
        full =function(df1,df2,key) join(df1,df2,key,'full')
    )),
    dplyr=list(testFuncs=list(
        inner=function(df1,df2,key) inner_join(df1,df2,key),
        left =function(df1,df2,key) left_join(df1,df2,key),
        right=function(df1,df2,key) right_join(df1,df2,key),
        full =function(df1,df2,key) full_join(df1,df2,key)
    )),
    in.place=list(testFuncs=list(
        left =function(df1,df2,key) { cns <- setdiff(names(df2),key); df1[cns] <- df2[match(df1[,key],df2[,key]),cns]; df1; },
        right=function(df1,df2,key) { cns <- setdiff(names(df1),key); df2[cns] <- df1[match(df2[,key],df1[,key]),cns]; df2; }
    ))
);

getSolTypes <- function() names(solSpecs);
getJoinTypes <- function() unique(unlist(lapply(solSpecs,function(x) names(x$testFuncs))));
getArgSpec <- function(argSpecs,key=NULL) if (is.null(key)) argSpecs$default else argSpecs[[key]];

initSqldf <- function() {
    sqldf(); ## creates sqlite connection on first run, cleans up and closes existing connection otherwise
    if (exists('sqldfInitFlag',envir=globalenv(),inherits=F) && sqldfInitFlag) { ## false only on first run
        sqldf(); ## creates a new connection
    } else {
        assign('sqldfInitFlag',T,envir=globalenv()); ## set to true for the one and only time
    }; ## end if
    invisible();
}; ## end initSqldf()

setUpBenchmarkCall <- function(argSpecs,joinType,solTypes=getSolTypes(),env=parent.frame()) {
    ## builds and returns a list of expressions suitable for passing to the list argument of microbenchmark(), and assigns variables to resolve symbol references in those expressions
    callExpressions <- list();
    nms <- character();
    for (solType in solTypes) {
        testFunc <- solSpecs[[solType]]$testFuncs[[joinType]];
        if (is.null(testFunc)) next; ## this join type is not defined for this solution type
        testFuncName <- paste0('tf.',solType);
        assign(testFuncName,testFunc,envir=env);
        argSpecKey <- solSpecs[[solType]]$argSpec;
        argSpec <- getArgSpec(argSpecs,argSpecKey);
        argList <- setNames(nm=names(argSpec$args),vector('list',length(argSpec$args)));
        for (i in seq_along(argSpec$args)) {
            argName <- paste0('tfa.',argSpecKey,i);
            assign(argName,argSpec$args[[i]],envir=env);
            argList[[i]] <- if (i%in%argSpec$copySpec) call('copy',as.symbol(argName)) else as.symbol(argName);
        }; ## end for
        callExpressions[[length(callExpressions)+1L]] <- do.call(call,c(list(testFuncName),argList),quote=T);
        nms[length(nms)+1L] <- solType;
    }; ## end for
    names(callExpressions) <- nms;
    callExpressions;
}; ## end setUpBenchmarkCall()

harmonize <- function(res) {
    res <- as.data.frame(res); ## coerce to data.frame
    for (ci in which(sapply(res,is.factor))) res[[ci]] <- as.character(res[[ci]]); ## coerce factor columns to character
    for (ci in which(sapply(res,is.logical))) res[[ci]] <- as.integer(res[[ci]]); ## coerce logical columns to integer (works around sqldf quirk of munging logicals to integers)
    ##for (ci in which(sapply(res,inherits,'POSIXct'))) res[[ci]] <- as.double(res[[ci]]); ## coerce POSIXct columns to double (works around sqldf quirk of losing POSIXct class) ----- POSIXct doesn't work at all in sqldf.indexed
    res <- res[order(names(res))]; ## order columns
    res <- res[do.call(order,res),]; ## order rows
    res;
}; ## end harmonize()

checkIdentical <- function(argSpecs,solTypes=getSolTypes()) {
    for (joinType in getJoinTypes()) {
        callExpressions <- setUpBenchmarkCall(argSpecs,joinType,solTypes);
        if (length(callExpressions)<2L) next;
        ex <- harmonize(eval(callExpressions[[1L]]));
        for (i in seq(2L,len=length(callExpressions)-1L)) {
            y <- harmonize(eval(callExpressions[[i]]));
            if (!isTRUE(all.equal(ex,y,check.attributes=F))) {
                ex <<- ex;
                y <<- y;
                solType <- names(callExpressions)[i];
                stop(paste0('non-identical: ',solType,' ',joinType,'.'));
            }; ## end if
        }; ## end for
    }; ## end for
    invisible();
}; ## end checkIdentical()

testJoinType <- function(argSpecs,joinType,solTypes=getSolTypes(),metric=NULL,times=100L) {
    callExpressions <- setUpBenchmarkCall(argSpecs,joinType,solTypes);
    bm <- microbenchmark(list=callExpressions,times=times);
    if (is.null(metric)) return(bm);
    bm <- summary(bm);
    res <- setNames(nm=names(callExpressions),bm[[metric]]);
    attr(res,'unit') <- attr(bm,'unit');
    res;
}; ## end testJoinType()

testAllJoinTypes <- function(argSpecs,solTypes=getSolTypes(),metric=NULL,times=100L) {
    joinTypes <- getJoinTypes();
    resList <- setNames(nm=joinTypes,lapply(joinTypes,function(joinType) testJoinType(argSpecs,joinType,solTypes,metric,times)));
    if (is.null(metric)) return(resList);
    units <- unname(unlist(lapply(resList,attr,'unit')));
    res <- do.call(data.frame,c(list(join=joinTypes),setNames(nm=solTypes,rep(list(rep(NA_real_,length(joinTypes))),length(solTypes))),list(unit=units,stringsAsFactors=F)));
    for (i in seq_along(resList)) res[i,match(names(resList[[i]]),names(res))] <- resList[[i]];
    res;
}; ## end testAllJoinTypes()

testGrid <- function(makeArgSpecsFunc,sizes,overlaps,solTypes=getSolTypes(),joinTypes=getJoinTypes(),metric='median',times=100L) {

    res <- expand.grid(size=sizes,overlap=overlaps,joinType=joinTypes,stringsAsFactors=F);
    res[solTypes] <- NA_real_;
    res$unit <- NA_character_;
    for (ri in seq_len(nrow(res))) {

        size <- res$size[ri];
        overlap <- res$overlap[ri];
        joinType <- res$joinType[ri];

        argSpecs <- makeArgSpecsFunc(size,overlap);

        checkIdentical(argSpecs,solTypes);

        cur <- testJoinType(argSpecs,joinType,solTypes,metric,times);
        res[ri,match(names(cur),names(res))] <- cur;
        res$unit[ri] <- attr(cur,'unit');

    }; ## end for

    res;

}; ## end testGrid()

Hier ist ein Benchmark des Beispiels auf dem OP aus, dass ich gezeigt, früher: 

## OP's example, supplemented with a non-matching row in df2
argSpecs <- list(
    default=list(copySpec=1:2,args=list(
        df1 <- data.frame(CustomerId=1:6,Product=c(rep('Toaster',3L),rep('Radio',3L))),
        df2 <- data.frame(CustomerId=c(2L,4L,6L,7L),State=c(rep('Alabama',2L),'Ohio','Texas')),
        'CustomerId'
    )),
    data.table.unkeyed=list(copySpec=1:2,args=list(
        as.data.table(df1),
        as.data.table(df2),
        'CustomerId'
    )),
    data.table.keyed=list(copySpec=1:2,args=list(
        setkey(as.data.table(df1),CustomerId),
        setkey(as.data.table(df2),CustomerId)
    ))
);
## prepare sqldf
initSqldf();
sqldf('create index df1_key on df1(CustomerId);'); ## upload and create an sqlite index on df1
sqldf('create index df2_key on df2(CustomerId);'); ## upload and create an sqlite index on df2

checkIdentical(argSpecs);

testAllJoinTypes(argSpecs,metric='median');
##    join    merge data.table.unkeyed data.table.keyed sqldf.unindexed sqldf.indexed      plyr    dplyr in.place         unit
## 1 inner  644.259           861.9345          923.516        9157.752      1580.390  959.2250 270.9190       NA microseconds
## 2  left  713.539           888.0205          910.045        8820.334      1529.714  968.4195 270.9185 224.3045 microseconds
## 3 right 1221.804           909.1900          923.944        8930.668      1533.135 1063.7860 269.8495 218.1035 microseconds
## 4  full 1302.203          3107.5380         3184.729              NA            NA 1593.6475 270.7055       NA microseconds

Hier habe ich Benchmark auf Zufallseingangsdaten, verschiedene Skalen und verschiedene Muster von Schlüssel Überlappung zwischen den beiden Eingabetabellen versuchen. Dieser Benchmark ist auf den Fall einer einzigen Spalte Integer-Schlüssel noch beschränkt. Wie gut, um sicherzustellen, dass die in-Place-Lösung für beide links funktionieren würde und rechts schließt sie die gleichen Tabellen, alle Zufallstestdaten verwenden 0..1:0..1 Mächtigkeit. Dies wird implementiert, indem ersatzlos Abtasten des Schlüsselspalts des ersten data.frame wenn die Schlüsselspalte des zweiten data.frame erzeugen. 

makeArgSpecs.singleIntegerKey.optionalOneToOne <- function(size,overlap) {

    com <- as.integer(size*overlap);

    argSpecs <- list(
        default=list(copySpec=1:2,args=list(
            df1 <- data.frame(id=sample(size),y1=rnorm(size),y2=rnorm(size)),
            df2 <- data.frame(id=sample(c(if (com>0L) sample(df1$id,com) else integer(),seq(size+1L,len=size-com))),y3=rnorm(size),y4=rnorm(size)),
            'id'
        )),
        data.table.unkeyed=list(copySpec=1:2,args=list(
            as.data.table(df1),
            as.data.table(df2),
            'id'
        )),
        data.table.keyed=list(copySpec=1:2,args=list(
            setkey(as.data.table(df1),id),
            setkey(as.data.table(df2),id)
        ))
    );
    ## prepare sqldf
    initSqldf();
    sqldf('create index df1_key on df1(id);'); ## upload and create an sqlite index on df1
    sqldf('create index df2_key on df2(id);'); ## upload and create an sqlite index on df2

    argSpecs;

}; ## end makeArgSpecs.singleIntegerKey.optionalOneToOne()

## cross of various input sizes and key overlaps
sizes <- c(1e1L,1e3L,1e6L);
overlaps <- c(0.99,0.5,0.01);
system.time({ res <- testGrid(makeArgSpecs.singleIntegerKey.optionalOneToOne,sizes,overlaps); });
##     user   system  elapsed
## 22024.65 12308.63 34493.19

Ich schrieb einige Code erstellen Diagramme der obigen Ergebnisse-log log. I erzeugen einen separaten Plot für jedes Überlappungsprozent. Es ist ein wenig überladen, aber ich mag es, alle Lösungsmöglichkeiten und in der gleichen Parzelle dargestellten Typen verbinden.

I verwendet Spline-Interpolation eine glatte Kurve für jede Lösung zu zeigen / Typ Kombination verbinden, wobei die einzelnen PCH Symbole gezeichnet. Die Join-Typ wird durch das Symbol PCH erfasst, einen Punkt für die innere, linken und rechten Winkelstützen für links und rechts, und ein Diamant für die vollständige Verwendung. Der Lösungstyp wird durch die Farbe eingefangen, wie in der Legende angezeigt. 

plotRes <- function(res,titleFunc,useFloor=F) {
    solTypes <- setdiff(names(res),c('size','overlap','joinType','unit')); ## derive from res
    normMult <- c(microseconds=1e-3,milliseconds=1); ## normalize to milliseconds
    joinTypes <- getJoinTypes();
    cols <- c(merge='purple',data.table.unkeyed='blue',data.table.keyed='#00DDDD',sqldf.unindexed='brown',sqldf.indexed='orange',plyr='red',dplyr='#00BB00',in.place='magenta');
    pchs <- list(inner=20L,left='<',right='>',full=23L);
    cexs <- c(inner=0.7,left=1,right=1,full=0.7);
    NP <- 60L;
    ord <- order(decreasing=T,colMeans(res[res$size==max(res$size),solTypes],na.rm=T));
    ymajors <- data.frame(y=c(1,1e3),label=c('1ms','1s'),stringsAsFactors=F);
    for (overlap in unique(res$overlap)) {
        x1 <- res[res$overlap==overlap,];
        x1[solTypes] <- x1[solTypes]*normMult[x1$unit]; x1$unit <- NULL;
        xlim <- c(1e1,max(x1$size));
        xticks <- 10^seq(log10(xlim[1L]),log10(xlim[2L]));
        ylim <- c(1e-1,10^((if (useFloor) floor else ceiling)(log10(max(x1[solTypes],na.rm=T))))); ## use floor() to zoom in a little more, only sqldf.unindexed will break above, but xpd=NA will keep it visible
        yticks <- 10^seq(log10(ylim[1L]),log10(ylim[2L]));
        yticks.minor <- rep(yticks[-length(yticks)],each=9L)*1:9;
        plot(NA,xlim=xlim,ylim=ylim,xaxs='i',yaxs='i',axes=F,xlab='size (rows)',ylab='time (ms)',log='xy');
        abline(v=xticks,col='lightgrey');
        abline(h=yticks.minor,col='lightgrey',lty=3L);
        abline(h=yticks,col='lightgrey');
        axis(1L,xticks,parse(text=sprintf('10^%d',as.integer(log10(xticks)))));
        axis(2L,yticks,parse(text=sprintf('10^%d',as.integer(log10(yticks)))),las=1L);
        axis(4L,ymajors$y,ymajors$label,las=1L,tick=F,cex.axis=0.7,hadj=0.5);
        for (joinType in rev(joinTypes)) { ## reverse to draw full first, since it's larger and would be more obtrusive if drawn last
            x2 <- x1[x1$joinType==joinType,];
            for (solType in solTypes) {
                if (any(!is.na(x2[[solType]]))) {
                    xy <- spline(x2$size,x2[[solType]],xout=10^(seq(log10(x2$size[1L]),log10(x2$size[nrow(x2)]),len=NP)));
                    points(xy$x,xy$y,pch=pchs[[joinType]],col=cols[solType],cex=cexs[joinType],xpd=NA);
                }; ## end if
            }; ## end for
        }; ## end for
        ## custom legend
        ## due to logarithmic skew, must do all distance calcs in inches, and convert to user coords afterward
        ## the bottom-left corner of the legend will be defined in normalized figure coords, although we can convert to inches immediately
        leg.cex <- 0.7;
        leg.x.in <- grconvertX(0.275,'nfc','in');
        leg.y.in <- grconvertY(0.6,'nfc','in');
        leg.x.user <- grconvertX(leg.x.in,'in');
        leg.y.user <- grconvertY(leg.y.in,'in');
        leg.outpad.w.in <- 0.1;
        leg.outpad.h.in <- 0.1;
        leg.midpad.w.in <- 0.1;
        leg.midpad.h.in <- 0.1;
        leg.sol.w.in <- max(strwidth(solTypes,'in',leg.cex));
        leg.sol.h.in <- max(strheight(solTypes,'in',leg.cex))*1.5; ## multiplication factor for greater line height
        leg.join.w.in <- max(strheight(joinTypes,'in',leg.cex))*1.5; ## ditto
        leg.join.h.in <- max(strwidth(joinTypes,'in',leg.cex));
        leg.main.w.in <- leg.join.w.in*length(joinTypes);
        leg.main.h.in <- leg.sol.h.in*length(solTypes);
        leg.x2.user <- grconvertX(leg.x.in+leg.outpad.w.in*2+leg.main.w.in+leg.midpad.w.in+leg.sol.w.in,'in');
        leg.y2.user <- grconvertY(leg.y.in+leg.outpad.h.in*2+leg.main.h.in+leg.midpad.h.in+leg.join.h.in,'in');
        leg.cols.x.user <- grconvertX(leg.x.in+leg.outpad.w.in+leg.join.w.in*(0.5+seq(0L,length(joinTypes)-1L)),'in');
        leg.lines.y.user <- grconvertY(leg.y.in+leg.outpad.h.in+leg.main.h.in-leg.sol.h.in*(0.5+seq(0L,length(solTypes)-1L)),'in');
        leg.sol.x.user <- grconvertX(leg.x.in+leg.outpad.w.in+leg.main.w.in+leg.midpad.w.in,'in');
        leg.join.y.user <- grconvertY(leg.y.in+leg.outpad.h.in+leg.main.h.in+leg.midpad.h.in,'in');
        rect(leg.x.user,leg.y.user,leg.x2.user,leg.y2.user,col='white');
        text(leg.sol.x.user,leg.lines.y.user,solTypes[ord],cex=leg.cex,pos=4L,offset=0);
        text(leg.cols.x.user,leg.join.y.user,joinTypes,cex=leg.cex,pos=4L,offset=0,srt=90); ## srt rotation applies *after* pos/offset positioning
        for (i in seq_along(joinTypes)) {
            joinType <- joinTypes[i];
            points(rep(leg.cols.x.user[i],length(solTypes)),ifelse(colSums(!is.na(x1[x1$joinType==joinType,solTypes[ord]]))==0L,NA,leg.lines.y.user),pch=pchs[[joinType]],col=cols[solTypes[ord]]);
        }; ## end for
        title(titleFunc(overlap));
        readline(sprintf('overlap %.02f',overlap));
    }; ## end for
}; ## end plotRes()

titleFunc <- function(overlap) sprintf('R merge solutions: single-column integer key, 0..1:0..1 cardinality, %d%% overlap',as.integer(overlap*100));
plotRes(res,titleFunc,T);

R-merge-Benchmark-single-column-integer-Key-optional-one-to-one-99

R-merge-Benchmark-single-column-integer-Key-optional-one-to-one-50

R-merge-Benchmark-single-column-integer-Key-optional-one-to-one-1

Hier ist ein zweiter groß angelegter Maßstab das ist mehr schwere, in Bezug auf die Anzahl und Arten von Schlüsselspalten sowie Mächtigkeit. Für diesen Benchmark verwende ich drei wichtige Säulen: ein Zeichen, eine ganze Zahl ist, und eine logische, ohne Einschränkungen auf Mächtigkeit (das heißt, 0..*:0..*). (Im Allgemeinen ist es nicht ratsam, Schlüsselspalten mit Doppel- oder komplexe Werte zu definieren, aufgrund Gleitkommazahlen Vergleich Komplikationen, und im Grunde niemand nutzt die rohe Art, viel weniger für Schlüsselspalten, so habe ich nicht diese Typen im Schlüssel enthalten Spalten. auch aus Gründen der Informationen, versuchte ich zunächst, indem einen POSIXct Schlüsselspalt vier Schlüsselspalten zu verwenden, aber der POSIXct Typ mit der sqldf.indexed Lösung gut aus irgendeinem Grunde nicht spielen, möglicherweise aufgrund von Gleitkommazahlen Vergleich Anomalien, so ich entfernte es.) 

makeArgSpecs.assortedKey.optionalManyToMany <- function(size,overlap,uniquePct=75) {

    ## number of unique keys in df1
    u1Size <- as.integer(size*uniquePct/100);

    ## (roughly) divide u1Size into bases, so we can use expand.grid() to produce the required number of unique key values with repetitions within individual key columns
    ## use ceiling() to ensure we cover u1Size; will truncate afterward
    u1SizePerKeyColumn <- as.integer(ceiling(u1Size^(1/3)));

    ## generate the unique key values for df1
    keys1 <- expand.grid(stringsAsFactors=F,
        idCharacter=replicate(u1SizePerKeyColumn,paste(collapse='',sample(letters,sample(4:12,1L),T))),
        idInteger=sample(u1SizePerKeyColumn),
        idLogical=sample(c(F,T),u1SizePerKeyColumn,T)
        ##idPOSIXct=as.POSIXct('2016-01-01 00:00:00','UTC')+sample(u1SizePerKeyColumn)
    )[seq_len(u1Size),];

    ## rbind some repetitions of the unique keys; this will prepare one side of the many-to-many relationship
    ## also scramble the order afterward
    keys1 <- rbind(keys1,keys1[sample(nrow(keys1),size-u1Size,T),])[sample(size),];

    ## common and unilateral key counts
    com <- as.integer(size*overlap);
    uni <- size-com;

    ## generate some unilateral keys for df2 by synthesizing outside of the idInteger range of df1
    keys2 <- data.frame(stringsAsFactors=F,
        idCharacter=replicate(uni,paste(collapse='',sample(letters,sample(4:12,1L),T))),
        idInteger=u1SizePerKeyColumn+sample(uni),
        idLogical=sample(c(F,T),uni,T)
        ##idPOSIXct=as.POSIXct('2016-01-01 00:00:00','UTC')+u1SizePerKeyColumn+sample(uni)
    );

    ## rbind random keys from df1; this will complete the many-to-many relationship
    ## also scramble the order afterward
    keys2 <- rbind(keys2,keys1[sample(nrow(keys1),com,T),])[sample(size),];

    ##keyNames <- c('idCharacter','idInteger','idLogical','idPOSIXct');
    keyNames <- c('idCharacter','idInteger','idLogical');
    ## note: was going to use raw and complex type for two of the non-key columns, but data.table doesn't seem to fully support them
    argSpecs <- list(
        default=list(copySpec=1:2,args=list(
            df1 <- cbind(stringsAsFactors=F,keys1,y1=sample(c(F,T),size,T),y2=sample(size),y3=rnorm(size),y4=replicate(size,paste(collapse='',sample(letters,sample(4:12,1L),T)))),
            df2 <- cbind(stringsAsFactors=F,keys2,y5=sample(c(F,T),size,T),y6=sample(size),y7=rnorm(size),y8=replicate(size,paste(collapse='',sample(letters,sample(4:12,1L),T)))),
            keyNames
        )),
        data.table.unkeyed=list(copySpec=1:2,args=list(
            as.data.table(df1),
            as.data.table(df2),
            keyNames
        )),
        data.table.keyed=list(copySpec=1:2,args=list(
            setkeyv(as.data.table(df1),keyNames),
            setkeyv(as.data.table(df2),keyNames)
        ))
    );
    ## prepare sqldf
    initSqldf();
    sqldf(paste0('create index df1_key on df1(',paste(collapse=',',keyNames),');')); ## upload and create an sqlite index on df1
    sqldf(paste0('create index df2_key on df2(',paste(collapse=',',keyNames),');')); ## upload and create an sqlite index on df2

    argSpecs;

}; ## end makeArgSpecs.assortedKey.optionalManyToMany()

sizes <- c(1e1L,1e3L,1e5L); ## 1e5L instead of 1e6L to respect more heavy-duty inputs
overlaps <- c(0.99,0.5,0.01);
solTypes <- setdiff(getSolTypes(),'in.place');
system.time({ res <- testGrid(makeArgSpecs.assortedKey.optionalManyToMany,sizes,overlaps,solTypes); });
##     user   system  elapsed
## 38895.50   784.19 39745.53

Die resultierenden Plots, die gleiche Plotten Code gegeben oben: 

titleFunc <- function(overlap) sprintf('R merge solutions: character/integer/logical key, 0..*:0..* cardinality, %d%% overlap',as.integer(overlap*100));
plotRes(res,titleFunc,F);

R-Merge-Benchmark sortiertes-key-optional-many-to-many-99

R-Merge-Benchmark sortiertes-key-optional-many-to-many-50

R-Merge-Benchmark sortiertes-key-optional-many-to-many-1

  1. merge Funktion verwenden wir die Variable der linken Tabelle oder rechten Tabelle, genauso wie wir alle kennen select-Anweisung in SQL (EX wählen: a Wählen Sie * ... oder b * Wählen Sie aus ....... )

  2. Wir müssen zusätzliche Codes hinzufügen, die von der neu hinzugekommenen Tabelle Teilmenge werden.

    • SQL: - select a.* from df1 a inner join df2 b on a.CustomerId=b.CustomerId

    • R: - merge(df1, df2, by.x = "CustomerId", by.y = "CustomerId")[,names(df1)]

Die gleiche Art und Weise

  • SQL: - select b.* from df1 a inner join df2 b on a.CustomerId=b.CustomerId

  • R: - merge(df1, df2, by.x = "CustomerId", by.y = "CustomerId")[,names(df2)]

Für eine innere für alle Spalten verbinden, können Sie auch fintersect aus der Nutzung data.table -Paket oder intersect aus der dplyr -Paket als Alternative zu merge ohne Angabe der by-Spalten. dies wird die Reihen geben, die zwischen zwei Datenrahmen gleich sind: 

merge(df1, df2)
#   V1 V2
# 1  B  2
# 2  C  3
dplyr::intersect(df1, df2)
#   V1 V2
# 1  B  2
# 2  C  3
data.table::fintersect(setDT(df1), setDT(df2))
#    V1 V2
# 1:  B  2
# 2:  C  3

Beispieldaten: 

df1 <- data.frame(V1 = LETTERS[1:4], V2 = 1:4)
df2 <- data.frame(V1 = LETTERS[2:3], V2 = 2:3)

Update kommen. Ein anderer wichtiger SQL-Stil verbinden wird " Update join ", wo in einer Tabelle Spalten werden aktualisiert (oder erstellt) eine andere Tabelle.

Ändern der Beispieltabellen des OP ... 

sales = data.frame(
  CustomerId = c(1, 1, 1, 3, 4, 6), 
  Year = 2000:2005,
  Product = c(rep("Toaster", 3), rep("Radio", 3))
)
cust = data.frame(
  CustomerId = c(1, 1, 4, 6), 
  Year = c(2001L, 2002L, 2002L, 2002L),
  State = state.name[1:4]
)

sales
# CustomerId Year Product
#          1 2000 Toaster
#          1 2001 Toaster
#          1 2002 Toaster
#          3 2003   Radio
#          4 2004   Radio
#          6 2005   Radio

cust
# CustomerId Year    State
#          1 2001  Alabama
#          1 2002   Alaska
#          4 2002  Arizona
#          6 2002 Arkansas

Angenommen, wir den Kunden Zustand von cust auf die Käufe Tabelle, sales, ignoriert das Jahr Spalte hinzufügen möchten. Mit Base R identifizieren wir Reihen passende und dann kopieren Werte über: 

sales$State <- cust$State[ match(sales$CustomerId, cust$CustomerId) ]

# CustomerId Year Product    State
#          1 2000 Toaster  Alabama
#          1 2001 Toaster  Alabama
#          1 2002 Toaster  Alabama
#          3 2003   Radio     <NA>
#          4 2004   Radio  Arizona
#          6 2005   Radio Arkansas

# cleanup for the next example
sales$State <- NULL

Wie hier zu sehen sind, match wählt die erste passende Zeile aus der Kundentabelle.

Update verbinden mit mehreren Spalten. Der Ansatz oben gut funktioniert, wenn wir nur eine einzige Spalte schließen sich an und sind zufrieden mit dem ersten Spiel. Angenommen, wir das Jahr der Messung in der Kundentabelle wollen das Verkaufsjahr anzupassen.

Wie @ bgoldst Antwort erwähnt, match mit interaction könnte eine Option für diesen Fall sein. Mehr unkompliziert, könnte man verwenden data.table: 

library(data.table)
setDT(sales); setDT(cust)

sales[, State := cust[sales, on=.(CustomerId, Year), x.State]]

#    CustomerId Year Product   State
# 1:          1 2000 Toaster    <NA>
# 2:          1 2001 Toaster Alabama
# 3:          1 2002 Toaster  Alaska
# 4:          3 2003   Radio    <NA>
# 5:          4 2004   Radio    <NA>
# 6:          6 2005   Radio    <NA>

# cleanup for next example
sales[, State := NULL]

Rolling Update verbinden Alternativ können wir nehmen wollen wurde der letzte Zustand der Kunde gefunden:. 

sales[, State := cust[sales, on=.(CustomerId, Year), roll=TRUE, x.State]]

#    CustomerId Year Product    State
# 1:          1 2000 Toaster     <NA>
# 2:          1 2001 Toaster  Alabama
# 3:          1 2002 Toaster   Alaska
# 4:          3 2003   Radio     <NA>
# 5:          4 2004   Radio  Arizona
# 6:          6 2005   Radio Arkansas

Die drei Beispiele vor allem Fokus auf die Schaffung / Hinzufügen einer neuen Spalte. Siehe den zugehörigen R FAQ ein Beispiel für die Aktualisierung / Änderung eine bestehende Spalte.

Lizenziert unter: CC-BY-SA mit Zuschreibung
Nicht verbunden mit StackOverflow
scroll top