r - 加入 dplyr 时如何指定 x 和 y 的列名称？

Question

我有两个数据框，我想使用 dplyr 连接它们。一个是包含名字的数据框。

test_data <- data.frame(first_name = c("john", "bill", "madison", "abby", "zzz"),
                        stringsAsFactors = FALSE)

另一个数据框包含坎特罗维茨姓名语料库的清理版本，用于识别性别。这是一个最小的例子:

kantrowitz <- structure(list(name = c("john", "bill", "madison", "abby", "thomas"), gender = c("M", "either", "M", "either", "M")), .Names = c("name", "gender"), row.names = c(NA, 5L), class = c("tbl_df", "tbl", "data.frame"))

我本质上想使用 kantrowitz 表从 test_data 表中查找姓名的性别。因为我要将其抽象为函数 encode_gender，所以我不知道将要使用的数据集中的列的名称，因此我不能保证它会是 name，如 kantrowitz$name。

在基础 R 中，我会这样执行合并:

merge(test_data, kantrowitz, by.x = "first_names", by.y = "name", all.x = TRUE)

返回正确的输出:

  first_name gender
1       abby either
2       bill either
3       john      M
4    madison      M
5        zzz   <NA>

但我想在 dplyr 中执行此操作，因为我正在使用该包进行所有其他数据操作。各种 *_join 函数的 dplyr by 选项仅允许我指定一个列名，但我需要指定两个。我正在寻找这样的东西:

library(dplyr)
# either
left_join(test_data, kantrowitz, by.x = "first_name", by.y = "name")
# or
left_join(test_data, kantrowitz, by = c("first_name", "name"))

使用 dplyr 执行这种连接的方法是什么？

(不要介意 Kantrowitz 语料库是识别性别的糟糕方法。我正在研究更好的实现，但我想先让它发挥作用。)

Answer 1

此功能已在 dplyr v0.3 中添加。现在，您可以将命名字符向量传递给 left_join(以及其他连接函数)中的 by 参数，以指定每个数据帧中要连接的列。根据原始问题中给出的示例，代码将是:

left_join(test_data, kantrowitz, by = c("first_name" = "name"))