Fusionar marcos de datos en R: coincidencia total y parcial

Muy a menudo disponemos de datos de múltiples fuentes. Para realizar un análisis es necesario unir dos marcos de datos junto con uno o más variables clave comunes.

En este tutorial, aprenderá

• Partido completo
• Coincidencia parcial

Partido completo

Una coincidencia completa devuelve valores que tienen una contraparte en la tabla de destino. Los valores que no coincidan no se devolverán en el nuevo marco de datos. La coincidencia parcial, sin embargo, devuelve los valores faltantes como NA.

Veremos una sencilla unión interna. La palabra clave de unión interna selecciona registros que tienen valores coincidentes en ambas tablas. Para unir dos conjuntos de datos, podemos usar la función merge(). Usaremos tres argumentos:

merge(x, y, by.x = x, by.y = y)

Arguments:
-x: The origin data frame
-y: The data frame to merge
-by.x: The column used for merging in x data frame. Column x to merge on
-by.y: The column used for merging in y data frame. Column y to merge on

Ejemplo:

Crear el primer conjunto de datos con variables

• apellido
• nacionalidad

Crear un segundo conjunto de datos con variables

• apellido
• películas

La variable clave común es el apellido. Podemos fusionar ambos datos y comprobar si la dimensionalidad es 7×3.

Agregamos stringsAsFactors=FALSE en el marco de datos porque no queremos R Para convertir una cadena como factor, queremos que la variable se trate como un carácter.

# Create origin dataframe(

producers <- data.frame(   
    surname =  c("Spielberg","Scorsese","Hitchcock","Tarantino","Polanski"),    
    nationality = c("US","US","UK","US","Poland"),    
    stringsAsFactors=FALSE)

# Create destination dataframe
movies <- data.frame(    
    surname = c("Spielberg",
		"Scorsese",
                "Hitchcock",
              	"Hitchcock",
                "Spielberg",
                "Tarantino",
                "Polanski"),    
    title = c("Super 8",
    		"Taxi Driver",
    		"Psycho",
    		"North by Northwest",
    		"Catch Me If You Can",
    		"Reservoir Dogs","Chinatown"),                
     		stringsAsFactors=FALSE)

# Merge two datasets
m1 <- merge(producers, movies, by.x = "surname")
m1
dim(m1)

Salida:

surname		nationality		title
1 Hitchcock		UK		Psycho
2 Hitchcock		UK		North by Northwest
3 Polanski		Poland		Chinatown
4 Scorsese		US		Taxi Driver
5 Spielberg		US		Super 8
6 Spielberg		US		Catch Me If You Can
7 Tarantino		US		Reservoir Dogs

Fusionemos marcos de datos cuando las variables clave comunes tengan nombres diferentes.

Cambiamos el apellido por el nombre en el marco de datos de las películas. Usamos la función idéntica (x1, x2) para verificar si ambos marcos de datos son idénticos.

# Change name of ` movies ` dataframe
colnames(movies)[colnames(movies) == 'surname'] <- 'name'
# Merge with different key value
m2 <- merge(producers, movies, by.x = "surname", by.y = "name")
# Print head of the data
head(m2)

Salida:

##surname     nationality		title
## 1 Hitchcock          UK		Psycho
## 2 Hitchcock          UK		North by Northwest
## 3 Polanski          Poland		Chinatown
## 4 Scorsese           US		Taxi Driver
## 5 Spielberg          US		Super 8
## 6 Spielberg          US		Catch Me If You Can

# Check if data are identical
identical(m1, m2)

Salida:

## [1] TRUE

Esto demuestra que la operación de combinación se realiza incluso si los nombres de las columnas son diferentes.

Coincidencia parcial

No es sorprendente que dos marcos de datos no tengan las mismas variables clave comunes. En el coincidencia completa, el marco de datos regresa único filas encontradas en el marco de datos x e y. Con fusión parcial, es posible mantener las filas que no coincidan en el otro marco de datos. Estas filas tendrán NA en aquellas columnas que normalmente se llenan con valores de y. Podemos hacerlo configurando all.x= TRUE.

Por ejemplo, podemos agregar un nuevo productor, Lucas, en el marco de datos del productor sin las referencias de películas en el marco de datos de las películas. Si configuramos all.x= FALSE, R unirá solo los valores coincidentes en ambos conjuntos de datos. En nuestro caso, el productor Lucas no se unirá a la fusión porque falta en un conjunto de datos.

Veamos la dimensión de cada salida cuando especificamos all.x= TRUE y cuando no lo hacemos.

# Create a new producer
add_producer <-  c('Lucas', 'US')
#  Append it to the ` producer` dataframe
producers <- rbind(producers, add_producer)
# Use a partial merge 
m3 <-merge(producers, movies, by.x = "surname", by.y = "name", all.x = TRUE)
m3

Salida:

# Compare the dimension of each data frame
dim(m1)

Salida:

## [1] 7 3

dim(m2)

Salida:

## [1] 7 3

dim(m3)

Salida:

## [1] 8 3

Como podemos ver, la dimensión del nuevo marco de datos es 8×3 en comparación con 7×3 para m1 y m2. R incluye NA para el autor que falta en el marco de datos del libro.