r - 通过匹配 R 中的嵌套列表来对数据框进行子集化和连接

Question

我试图根据每个数据框的列中的元素连接两个数据框 df 和 myData。 df 中的列有意包含嵌套列表，如果嵌套列表中的元素与 myData 的元素匹配，我想加入。我想在 df (左连接)中保留不匹配的行。

这是一个示例，首先在 df 中没有嵌套列表。

df = data.frame(a=1:5)
df$x1= c("a", "b", "g", "a", "a")
str(df)

'data.frame':   5 obs. of  2 variables:
$ a : int  1 2 3 4 5
$ x1: chr  "a" "b" "g" "a" ...

myData <- data.frame(x1=c("a", "g", "q"), x2= c("za", "zg", "zq"), stringsAsFactors = FALSE)

现在，我们可以在列 x1 上加入:

#using a for loop
df$x2 <- NA
for(id in 1:nrow(myData)){
  df$x2[df$x1 %in% myData$x1[id]] <- myData$x2[id]
}

或者使用 dplyr:

library(dplyr)
df = data.frame(a=1:5)
df$x1= c("a", "b", "g", "a", "a")
df %>%
  left_join(myData)

现在，考虑带有嵌套列表的 df。

l1 = list(letters[1:5])
l2 = list(letters[6:10])
df = data.frame(a=1:5)
df$x1= c("a", "b", "g", l1, l2)

正如我们所期望的那样，使用 for 循环无法匹配嵌套列表的元素:

df$x2 <- NA
for(id in 1:nrow(myData)){
  df$x2[df$x1 %in% myData$x1[id]] <- myData$x2[id]
}

输出:

df
  a            x1   x2
1 1             a   za
2 2             b <NA>
3 3             g   zg
4 4 a, b, c, d, e <NA>
5 5 f, g, h, i, j <NA>

使用 dplyr:

df %>%
  left_join(myData)

抛出错误:

Joining by: c("x1", "x2")
Error: cannot join on column 'x1'

我认为解决方案需要取消列出嵌套列表，但尚未理清如何将 unlist 功能应用于上述策略。

我也试过上面的 data.table 包。如何使用 data.table 实现这一点可能是一个额外的问题。但是，就 data.table 处理数据框中的列表而言，我想包括它，因为它可能提供最佳解决方案。

我的实际数据大约有 100,000 行，因此列表与基数 R 的匹配可能是一个性能烦恼(考虑 data.table 的另一个原因？)

Fwiw，在数据框中使用嵌套列表(和其他结构)是我经常在 Python 中做的事情，并且可能有更好的方法来首先在 R 中构建数据。

想法？

Answer 1

这是一个可能的解决方案:

df$x2 <- NA
for(id in 1:nrow(df)) 
  {
  df$x2[id] <- ifelse(
    length(ff <- myData$x2[which(myData$x1 == intersect(df$x1[[id]], myData$x1))])==0, 
    NA, 
    ff)
  }

df
#  a            x1   x2
#1 1             a   za
#2 2             b <NA>
#3 3             g   zg
#4 4 a, b, c, d, e   za
#5 5 f, g, h, i, j   zg

上述解决方案存在一些潜在的缺陷。例如，如果我们更改 l1有 2 个可能的匹配项(例如“a”和“g”):

l1 = list(letters[1:7])
df$x1= c("a", "b", "g", l1, l2)

此解决方案不会同时捕获两个匹配项，如下所示:

df$x2 <- NA
    for(id in 1:nrow(df)) 
      {
      df$x2[id] <- ifelse(
        length(ff <- myData$x2[which(myData$x1 == intersect(df$x1[[id]], myData$x1))])==0, 
        NA, 
        ff)
      }
Warning message:
In myData$x1 == intersect(df$x1[[id]], myData$x1) :
  longer object length is not a multiple of shorter object length

如果需要，您可以修改它以允许多个匹配。这里有两种不同的方法来做到这一点，一种使用 paste一个使用 list以你在问题中所做的方式。

df$x2 <- NA
    for(id in 1:nrow(df)) 
      {
      df$x2[id] <- 
        paste(if (length(ff <- myData$x2[which(myData$x1 %in% intersect(df$x1[[id]], myData$x1))])==0)
        NA else
        ff, collapse=", ")
      }


df$x2 <- NA
    for(id in 1:nrow(df)) 
      {
      df$x2[id] <- 
        list(if (length(ff <- myData$x2[which(myData$x1 %in% intersect(df$x1[[id]], myData$x1))])==0)
        NA else
        ff)
      }

两者都将返回以下内容，但底层结构会有所不同:

  a                  x1     x2
1 1                   a     za
2 2                   b     NA
3 3                   g     zg
4 4 a, b, c, d, e, f, g za, zg
5 5       f, g, h, i, j     zg