r - R 中的合并导致比数据帧之一多的行

Question

我有两个数据框，第一个包含 9994 行，第二个包含 60431 行。我想合并两个数据框，这样合并后的数据框包含两个数据框的组合列，但只包含 9994 行。

但是，合并时我得到了超过 9994 行。我怎样才能确保这不会发生？

df1 = readRDS('data1.RDS')
nrow(df1)
# [1] 9994

df2 = readRDS('data2.RDS')
nrow(df2)
# [1] 60431

df = merge(df1,df2,by=c("col1","col2"))
nrow(df)
# [1] 10057

df = merge(df1,df2,by=c("col1","col2"),all.x=TRUE)
nrow(df)
# [1] 10057
nrow(na.omit(df))
# [1] 10057

编辑:按照 akrun 的评论。
是的，第二个数据框中有重复

nrow(unique(df2[,c("col1","col2")]))
# [1] 60263
nrow(df2)
# [1] 60431

如果同一个 {col1,col2} 组合有多个，我如何只从数据框中取一行。当我合并时，我只想有 9994 行。

Answer 1

这应该有效，一定要排序 df2首先，您选择正确的行。

df = merge(
  df1,
  df2[!duplicated(df2[, c("col1","col2")], ],
  by=c("col1","col2"),
  all.x=TRUE
)

这里发生了什么:我通过我们想要合并的列来合并两个数据框，但我首先只选择 col1 的任意组合的第一次出现和 col2来自第二个 data.frame df2 .
duplicated如果使用 data.frame 调用，检查行是否重复.我选择 col1和 col2来自 df2 , 所以 duplicated返回 TRUE对于具有相同 col1 的行和 col2但其他 cols 的差异。然后我只选择不重复的行。

(仔细阅读 [ -表达式，从里到外检查函数调用，得到中间结果)

编辑:添加了评论中建议的解释