跳至主要内容

在 R 中合并数据集

在本教程中，您将学习如何在 R 中连接多个数据集。
· 8分钟 阅读

使用 AI 探索

在实际应用中，数据分散存放在不同服务器、不同文件中。当所需数据来自多个来源时，掌握如何聚合它们至关重要，这样既能尽量减少信息损失，又能依据数据结构进行合理配对。

本教程将带您了解：

  • 横向与纵向合并数据集
  • 什么是主键，以及它如何为数据增添结构
  • 不同类型的连接（如 left-join、inner-join、full-join）及其选择方法
  • 需要留意的一个常见问题及其解决办法

拼接数据集

从高层来看，合并数据集有两种方式：通过添加行来增加信息，或通过添加列来增加信息。一般而言，当多个数据集具有相同的列集合或相同的观测集合时，您可以分别将它们纵向或横向拼接。让我们通过示例来学习。

纵向添加数据集

当您拥有多个具有相同列集合的数据集时，可以将一个数据集纵向拼接到另一个数据集上。也就是说，保留数据集的列，并向其中添加更多行。将此类信息放在同一个文件中，有助于您更轻松地聚合数据、把握全局，而无需在多个文件之间来回切换并丢失线索。

数据集 1

MakeNum models
Honda63
BMW10

数据集 2

MakeNum models
Ford26
Tesla4

需要注意的是，如果多个数据集中包含相同的观测，并且您使用 rbind() 进行纵向拼接，最终表中会出现重复观测。尽管两个数据集必须拥有相同的变量集合（即列），但列的顺序并不要求一致。请在下面的控制台中亲自验证！

在您的工作区中，已提供上面看到的两个数据集 dataset1 和 dataset2。请尝试调整 dataset1 的列顺序。分别对 dataset1 与 dataset2，以及 reordered_dataset1 与 dataset2 调用 rbind()。


            # Add datasets vertically
            rbind(dataset1, dataset2)

            # Reorder columns
            reordered_dataset1 <- dataset1[, c(2, 1)]

            # See that rbind() is robust to column ordering
            rbind(reordered_dataset1, dataset2)

在执行 rbind() 之后，您的结果应当把四个车系整合到同一张表中，如下所示：

纵向拼接后的数据集

MakeNum models
Honda63
BMW10
Ford26
Tesla4

横向添加数据集

当多个数据集代表相同的一组观测时，您可以将它们横向拼接。这一次，保留数据集的行，并为其添加更多列。在这种情况下，您需要检查各数据集观测的顺序是否一致。若数据集的行数不同，或行数相同但排序不一致，就可能把一组列与另一组列进行不合理的配对。

让我们延续上面的示例。假设您有两个数据文件：一个包含车系及其独特车型数量，另一个包含车系及其总销量：

提供的独特车型数量

MakeNum models
Honda63
BMW10
Ford26
Tesla4

总销量

MakeSales
Ford119157
BMW25908
Honda188328
Tesla29975

需要注意的是，如果多个数据集中包含相同的观测，并且您使用 cbind() 进行横向拼接，最终表中会出现冗余列。虽然两个数据集包含相关信息，但行的顺序非常重要！

在下面的控制台中，对 models 和 sales 调用 cbind() 并打印结果：


            # Add datasets horizontally
            cbind(models, sales)

您应当会看到类似如下的结果：

Models & Sales

MakeNum modelsMakeSales
Honda63Ford119157
BMW10BMW25908
Ford26Honda188328
Tesla4Tesla29975

您看到问题了吗？这些数据并不整洁！

根据这门基础课程中讲授的整洁数据原则，数据集中的每条观测都应当在唯一一行中表示。再者，如果您只在一个数据集的部分行上有信息，并希望仅为这些行添加信息该怎么办？换句话说，如果您想从一个数据集中为另一个数据集添加更多列，但这两个数据集的观测数量并不相同，又该如何处理？

主键与外键

在尝试合并数据集时，第一步是寻找数据集的主键。主键是能唯一标识数据集中每条观测的列或列的组合。在车系、独特车型数量和总销量的示例中，数据集的主键是 make 列。

现在，我们可以执行连接，这是将数据集合并为单一表的标准方式。

连接的类型

连接的类型有很多。您可以在 Joining Data in R with dplyr 课程中，学习如何使用变异连接从一个数据集补充另一个数据集的列，如何使用过滤连接在数据集之间进行筛选，以及如何使用集合运算在数据集间取舍。下面是一些最常见的类型。

left_join(x, y)：返回 x 的所有行，以及来自 x 和 y 的所有列。在 y 中没有匹配项的 x 行，其新列将填充 NA。如果 x 与 y 之间存在多重匹配，则返回所有匹配组合。

inner_join(x, y)：返回在 y 中存在匹配值的 x 的所有行，以及来自 x 和 y 的所有列。如果 x 与 y 之间存在多重匹配，则返回所有匹配组合。

full_join(x, y)：返回 x 和 y 的所有行与所有列。若无匹配值，缺失一方将返回 NA。

上述连接属于变异连接，因为它们会将两个数据集的变量合并在一起。

缺失键

假设您有两个数据集。第一个数据集名为 size，包含人名及其衣服尺码：

 > size
name size
1  Tom    M
2  Dan   XL
3 Keil    S

第二个数据集名为 color，包含人们的姓氏、衬衫颜色偏好，并在 row.names 属性中存储了一些信息：

 > color
     surname color
Tom     Jeon  <NA>
Dan    Smith  Dark
Bob McLadden Light

注意这里可能出现什么问题了吗？当存在缺失键或重复键时，双表连接会变得复杂。在此示例中，R 的数据框会在 row.names 属性中存储重要信息。在这种情况下，您无法使用连接函数访问该键，因为连接函数只能访问数据框的列。

轻松解决该问题的技巧是使用 tibble 包中的 rownames_to_column() 函数。它会返回您的数据集副本，并将行名作为一列添加到数据中。rownames_to_column() 的第一个参数是数据框对象，第二个参数是一个字符串，用于指定要添加的列名。

请在下面的控制台中探索。数据集 size 与 color 已预加载到您的工作区。


            # Explore here!

最后的思考

在现实世界中，数据可能被拆分在多个数据集、多个不同格式中。由于 R 的设计是围绕单一数据表来工作的，将多个数据集整理并合并为一张表是一项必备技能。完成 Importing & Cleaning Data with R 技能路径，学习解析与合并任意格式的数据。查看 DataCamp 的 R 数据导入 教程。学习愉快！

主题

R数据科学数据分析