- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我有两个大型数据集,d1
和 d2
,我想根据 EITHER 变量 idA
和 的匹配来合并它们>idB
。
两者都存在于两个数据集中,但都可能包含错误和缺失值 (NA),或者让 idA
和 idB
指向另一个数据集中的不同观察值。 Se 下面的例子。
下面列出了期望的结果。基本上,匹配是在 idA 或 idB 上进行的,在重复匹配的情况下,应优先考虑 idA
匹配而不是 idB
匹配。
实际数据集非常大(约 1000 万)。
在 R 中是否有有效的方法来实现它?
另外,SQL 中是否有这种连接的技术术语?
library(tidyverse)
library(data.table)
d1 <- read.table(text=
"idA idB value1
A 10 500
B 1 111
C 4 234
D NA 400
E 7 500
NA 3 700
Z 5 543
Q 9 567
U 23 723
",
header=T) %>% data.table
d2 <- read.table(text=
"idA idB value2
A 10 11
B 1 12
L 21 15
D 15 12
E 8 17
M 3 18
N 5 13
Z 25 17
Q 23 12
",
header=T) %>% data.table
期望的结果是:
Out <- read.table(text=
"d1.idA d2.idA d1.idB d2.idB d1.v1 d2.v2
A A 10 10 500 11 # matched on idA and idB
B B 1 1 111 12 # matched on idA and idB
D D NA 15 400 12 # matched on idA. d2.idB had NAs
E E 7 8 500 17 # matched on idA. idB had divergent values
NA M 3 3 700 18 # matched on idB. d1.idA had NAs
Z Z 5 25 543 13 # d1[7,] matched to d2[8,] on idA and d2[9,] on idB. Priority given to idA match.
Q Q 9 23 657 17 # d2[9,] matched to d1[8,] on idA and d1[9,] on idB. Priority given to idA match.
",
header=T) %>% data.table
#Non matched rows
# d1[3,]
# d2[3,]
编辑1:
EDIT2:从期望的结果中删除不匹配的行
最佳答案
我不知道实现所需结果的优雅方法(我也不知道 SQL 中此类操作的技术术语)。
因此,我建议分四步完成:
idA
和idB
上的两个data.tables,确定每个data.tables中剩余的行。idA
上内部连接两个 data.tables 的剩余行,再次确定剩余行。idB
上内部连接两个 data.tables 的剩余行。所有 4 个步骤的代码:
library(data.table)
# create index column in both data.tables
d1[, idx := .I]
d2[, idx := .I]
# inner join on idA and idB
j1 <- d1[d2, .(idx, i.idx), on = c("idA", "idB"), nomatch = 0L]
m1 <- unique(j1$idx)
m2 <- unique(j1$i.idx)
# inner join on idA
j2 <- d1[!(idx %in% m1)][d2[!(idx %in% m2)], .(idx, i.idx), on = c("idA"), nomatch = 0L]
m1 <- append(m1, unique(j2$idx))
m2 <- append(m2, unique(j2$i.idx))
# inner join on idB
j3 <- d1[!(idx %in% m1)][d2[!(idx %in% m2)], .(idx, i.idx), on = c("idB"), nomatch = 0L]
m1 <- append(m1, unique(j3$idx))
m2 <- append(m2, unique(j3$i.idx))
# combine results
rbindlist(
list(
AB = cbind(
d1[idx %in% j1[, idx]],
d2[idx %in% j1[, i.idx]]),
A. = cbind(
d1[idx %in% j2[, idx]],
d2[idx %in% j2[, i.idx]]),
.B = cbind(
d1[idx %in% j3[, idx]],
d2[idx %in% j3[, i.idx]])),
fill = TRUE,
idcol = "match_on")
产生
# match_on idA idB value1 idx idA idB value2 idx
#1: AB A 10 500 1 A 10 11 1
#2: AB B 1 111 2 B 1 12 2
#3: A. D NA 400 4 D 15 12 4
#4: A. E 7 500 5 E 8 17 5
#5: A. Z 5 543 7 Z 25 17 8
#6: A. Q 9 567 8 Q 23 12 9
#7: .B NA 3 700 6 M 3 18 6
m1
和m2
用于记住d1
和d2
中行的行id, resp.,它已经在之前的一个连接操作中使用过。
因此,最终可以打印 d1
和 d2
中未找到匹配项的剩余行:
d1[!(idx %in% m1)]
# idA idB value1 idx
#1: C 4 234 3
#2: U 23 723 9
d2[!(idx %in% m2)]
# idA idB value2 idx
#1: L 21 15 3
#2: N 5 13 7
请注意,在每个连接操作中,只保留行索引而不是保留所有列。不同连接操作的结果在列的名称和位置上有所不同。
在最后的合并步骤中,使用这些索引选择原始数据表 d1
和 d2
的行,以生成外观统一的结果表。
关于sql - 有效地合并匹配一个变量或另一个变量的两个数据集,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/42156001/
我有几个长度不等的 vector ,我想对其进行cbind。我将 vector 放入列表中,并尝试结合使用do.call(cbind, ...): nm <- list(1:8, 3:8, 1:5)
合并(合并)两个 JSONObjects 的最佳方式是什么? JSONObject o1 = { "one": "1", "two": "2", "three": "3" }
我在一个表中有许多空间实体,其中有一个名为 Boundaries 的 geometry 字段。我想生成一个具有简化形状/几何图形的 GeoJson 文件。 这是我的第一次尝试: var entitie
谁能说出为什么这个选择返回 3.0 而不是 3.5: SELECT coalesce(1.0*(7/2),0) as foo 这个返回 3: SELECT coalesce(7/2,0) as foo
首先抱歉,也许这个问题已经提出,但我找不到任何可以帮助我的东西,可能是因为我对 XSLT 缺乏了解。 我有以下 XML: 0 OK
有时用户会使用 Windows 资源管理器复制文件并在他们应该执行 svn 存储库级别的复制或合并时提交它们。因此,SVN 没有正确跟踪这些变化。一旦我发现这一点,损坏显然已经完成,并且可能已经对相关
我想组合/堆叠 2 个不同列的值并获得唯一值。 如果范围相邻,则可以正常工作。例如: =UNIQUE(FILTERXML(""&SUBSTITUTE(TEXTJOIN(",",TRUE,TRANSPO
使用iTextSharp,如何将多个PDF合并为一个PDF,而又不丢失每个PDF中的“表单字段”及其属性? (我希望有一个使用来自数据库的流的示例,但文件系统也可以) 我发现this code可以正常
是否有一个合并函数可以优先考虑公共(public)变量中的非缺失值? 考虑以下示例。 首先,我们生成两个 data.frames,它们具有相同的 ID,但在特定变量上有互补的缺失值: set.seed
我们正在尝试实现 ALM Rangers 在最新的 Visual Studio TFS Branching and Merging Guide 中描述的“基本双分支计划”。 .从指导: The bas
我在不同目录(3个不同名称)中有很多(3个只是一个例子)文本文件,如下所示: 目录:A,文件名:run.txt 格式:txt制表符分隔 ; file one 10 0.2 0.5 0.
我有一张包含学生等级关系的表: Student Grade StartDate EndDate 1 1 09/01/2009 NULL 2
我在学习 https://www.doctrine-project.org/projects/doctrine-orm/en/2.6/reference/working-with-associatio
我觉得我有世界上最简单的 SVN 用例: 我有一个文件,Test.java在 trunk SVN的。 我分行trunk至 dev-branch . 我搬家Test.java进入 com/mycompa
我有两个数据框,其中一些列名称相同,而另一些列名称不同。数据框看起来像这样: df1 ID hello world hockey soccer 1 1 NA NA
Elasticsearch 中是否缺少以扁平化形式(多个子/子aggs)返回结果的方法? 例如,当前我正在尝试获取所有产品类型及其状态(在线/离线)。 这就是我最终得到的: aggs [ { key:
如何合并如下所示的 map : Map1 = Map(1 -> Class1(1), 2 -> Class1(2)) Map2 = Map(2 -> Class2(1), 3 -> Class2(2)
我试图通过从netezza服务器导入数据来合并两个数据集。 以下是数据集,其数字为,ID为,字母为,名称为: 下表都是使用命令从netezza导入的: sqoop import --connect n
我有两个数组 $array1 = array('first', 'second', 'third', 'fourth'); $array2 = array('first', 'third', 'fou
我正在 SQL Server 中运行合并。在我的更新中,我只想在值发生更改时更新该行。有一个版本行在每次更新时都会递增。下面是一个例子: MERGE Employee as tgt USING (SE
我是一名优秀的程序员,十分优秀!