我有一个长度为5923的数据帧和第二个长度为68709的数据帧。 第一个数据框看起来像this，第二个数据框看起来像this
他们的共同专栏是第一栏＆＃34; people_id＆＃34;。
到目前为止，我已经做到了这一点：
#
# This R function merges two tables and returns the resulting table in a new data frame.
# inputs
# 1. tbl1 loaded from a csv file.
# 2. tbl2 is output from an query containing people_id and repository_id
# There can be multiple repository ids associated to each people id
#
mergetbl <- function(tbl1, tbl2)
{
# tbl1 -- from csv file
# tbl2 -- from sql query
# 1. create an empty data frame
# 2. go through tbl1 row by row
# 3. for each row in tbl1, look at the current people_id in tbl2 and extract all associated repository_id
# 4. duplicate the same row in tbl1 the same number of times there are associated repository ids
# 5. merge duplicate rows with the column repository ids
# 6. merge duplicate rows into new data frame
# 7. repeat from 2. until last row in tbl1
newtbl = data.frame(people_id=numeric(),repoCommitted=numeric(),isAuthor=numeric(),repoAuthor=numeric(),commonRepo=numeric())
ntbl1rows<-nrow(tbl1)
tbl2patched<-tbl2[complete.cases(tbl2),]
for(n in 1:ntbl1rows)
{
ndup<-nrow(tbl2patched[tbl2patched$people_id==tbl1$people[n],])
duprow<- tbl1[rep(n,ndup),]
newtbl<-rbind(newtbl,duprow)
}
}
我陷入了第5步，它从tbl2修补了＆＃34; repository_id＆＃34;到id匹配的newtbl。 第一个数据框如下所示：
people committers repositoryCommitter authors repositoryAuthor
1 1 921 183 896 178
2 2 240 18 209 22
3 3 3 2 28 11
4 4 6548 23 6272 29
5 5 3557 146 3453 146
依此类推......直到5923行返回。
第二个数据框：
people_id repository_id
1 1
1 2
1 6
1 7
1 10
等到68709行。
输出应如下所示： 这就是样本的样子：
people_id committers repoCommitter authors repoAuthors commonRepo
1 1 921 183 896 178 1
2 1 921 183 896 178 2
3 1 921 183 896 178 6
4 1 921 183 896 178 7
5 1 921 183 896 178 10
答案 0 :(得分：2)
我加载了您的数据，认识到每个CSV文件中的第一列明确包含行名称：
people <- read.csv('people.csv',row.names=1);
peoplePerRepo <- read.csv('peoplePerRepo.csv',row.names=1);
结果data.frames的示例：
head(people);
## people committers repositoryCommitter authors repositoryAuthor
## 1 1 921 183 896 178
## 2 2 240 18 209 22
## 3 3 3 2 28 11
## 4 4 6548 23 6272 29
## 5 5 3557 146 3453 146
## 6 6 445 55 444 55
head(peoplePerRepo);
## people_id repository_id
## 1 1 1
## 2 1 2
## 3 1 6
## 4 1 7
## 5 1 10
## 6 1 11
我们应该注意的一个细节是，关键列名称不一致：people$people与peoplePerRepo$people_id。正如我们所见，我们无法处理任何事情。
我为了自己的利益调查了这些数据，但我会在此处添加一些结果，以确保我们处于同一页面。首先，行数：
nrow(people);
## [1] 5923
nrow(peoplePerRepo);
## [1] 72179
所以你声称第一个data.frame的长度为5923已经确认，但是第二个数据的长度超过你声称的68709：它是72179.我检查了是否有一些重复的行，但是那里似乎不是：
nrow(unique(people));
## [1] 5923
nrow(unique(peoplePerRepo));
## [1] 72179
所以我们有两个data.frames，包含5923和72179个唯一行。看着钥匙：
range(people$people);
## [1] 1 5923
setdiff(1:5923,people$people);
## integer(0)
range(peoplePerRepo$people_id);
## [1] 1 5923
setdiff(1:5923,peoplePerRepo$people_id);
## integer(0)
以上证明每个data.frame中的键列仅包含1：5923中的值，并且该范围中的每个值在两个表中至少表示一次。因为people$people正好是5923个元素，所以我们知道1：5923中的每个值都必须恰好表示一次。
range(table(people$people));
## [1] 1 1
range(table(peoplePerRepo$people_id));
## [1] 1 466
上述两个陈述中的第一个再次证实了我刚才所说的内容，即在people$people中，1：5923中的每个值都只代表一次。第二个陈述显示在peoplePerRepo$people_id中，值1：5923的频率范围为1到466.因此，这绝对是一对多的关系。您可以通过省略range()调用来检查确切的频率，IOW只运行table(peoplePerRepo$people_id)，但输出结果很详细，我不会在此处包含它。
最后，检查关键列中的NA总是好的。我们已经可以推断出people$people中不存在任何NAs，因为它包含的集合1：5923，但我们至少应该检查peoplePerRepo$people_id：
sum(is.na(people$people));
## [1] 0
sum(is.na(peoplePerRepo$people_id));
## [1] 0
因此，关键列中没有NA。
最后，看看summary()函数，它可以方便（通常）获取向量或data.frame的所有列的快速摘要统计信息。
summary(people);
## people committers repositoryCommitter authors repositoryAuthor
## Min. : 1 Min. : 0.0 Min. : 0.0 Min. : 0.0 Min. : 0.00
## 1st Qu.:1482 1st Qu.: 0.0 1st Qu.: 0.0 1st Qu.: 2.0 1st Qu.: 1.00
## Median :2962 Median : 0.0 Median : 0.0 Median : 6.0 Median : 2.00
## Mean :2962 Mean : 200.0 Mean : 11.6 Mean : 198.2 Mean : 14.06
## 3rd Qu.:4442 3rd Qu.: 39.5 3rd Qu.: 3.0 3rd Qu.: 63.0 3rd Qu.: 8.00
## Max. :5923 Max. :15959.0 Max. :466.0 Max. :15938.0 Max. :465.00
summary(peoplePerRepo);
## people_id repository_id
## Min. : 1.0 Min. : 1.0
## 1st Qu.: 151.0 1st Qu.: 114.0
## Median : 459.0 Median : 224.0
## Mean : 938.2 Mean : 513.8
## 3rd Qu.:1147.0 3rd Qu.:1045.0
## Max. :5923.0 Max. :1418.0
## NA's :3470
因此，基于上述所有内容，我们可以通过一次merge()调用来满足您的要求：
output <- merge(people,peoplePerRepo,by.x='people',by.y='people_id');
nrow(output);
## [1] 72179
head(output);
## people committers repositoryCommitter authors repositoryAuthor repository_id
## 1 1 921 183 896 178 1
## 2 1 921 183 896 178 2
## 3 1 921 183 896 178 6
## 4 1 921 183 896 178 7
## 5 1 921 183 896 178 10
## 6 1 921 183 896 178 11
输出行数72179是有意义的。由于任何一个键列都不包含任何NAs，并且peoplePerRepo的每一行中的键恰好与people中的一个键匹配，因此所有72179都成功地与people的一行成功连接。您可以看到此示例中的实际数据与您的预期输出相匹配。
最后一个（次要）点：输出列名称与预期的输出列名称不完全匹配。这可以通过从头开始分配整个列名称向量，或者通过有选择地替换要更改的列名称来解决。在这里，我将展示后一种方法：
names(output)[names(output)=='people'] <- 'people_id';
names(output)[names(output)=='repositoryCommitter'] <- 'repoCommitter';
names(output)[names(output)=='repositoryAuthor'] <- 'repoAuthors';
names(output)[names(output)=='repository_id'] <- 'commonRepo';
head(output);
## people_id committers repoCommitter authors repoAuthors commonRepo
## 1 1 921 183 896 178 1
## 2 1 921 183 896 178 2
## 3 1 921 183 896 178 6
## 4 1 921 183 896 178 7
## 5 1 921 183 896 178 10
## 6 1 921 183 896 178 11