Question

使用dplyr计算左外连接结果的正确方法是什么？

考虑两个数据框：

a <- data.frame( id=c( 1, 2, 3, 4 ) )
b <- data.frame( id=c( 1, 1, 3, 3, 3, 4 ), ref_id=c( 'a', 'b', 'c', 'd', 'e', 'f' ) )

a指定四种不同的ID。 b指定了六个引用a中ID的记录。如果我想查看引用每个ID的次数，我可以试试这个：

a %>% left_join( b, by='id' ) %>% group_by( id ) %>% summarise( refs=n() )
Source: local data frame [4 x 2]

     id  refs
  (dbl) (int)
1     1     2
2     2     1
3     3     3
4     4     1

但是，结果具有误导性，因为它表明ID 2曾被引用过一次，实际上它从未被引用（在中间数据框中，对于ID 2，ref_id为NA）。我想避免引入单独的库，例如sqldf。

Answer 1

使用data.table，您可以

library(data.table)
setDT(a); setDT(b)

b[a, .N, on="id", by=.EACHI]


   id N
1:  1 2
2:  2 0
3:  3 3
4:  4 1

此处，语法为x[i, j, on, by=.EACHI]。

.EACHI指的是i=a的每一行。
j=.N使用特殊变量作为行数。

Answer 2

已经有一些很好的答案，但由于问题不要在这里使用包是一个。我们在a和b上执行左连接，并附加refs列，如果ref_id不是NA，则该列为TRUE。然后使用aggregate汇总refs列：

m <- transform(merge(a, b, all.x = TRUE), refs = !is.na(ref_id))
aggregate(refs ~ id, m, sum)

，并提供：

Answer 3

我很难决定这是一个黑客还是计算引用的正确方法，但这会返回预期的结果：

a %>% left_join( b, by='id' ) %>% group_by( id ) %>% summarise( refs=sum( !is.na( ref_id ) ) )
Source: local data frame [4 x 2]

     id  refs
  (dbl) (int)
1     1     2
2     2     0
3     3     3
4     4     1

使用dplyr计算左连接的结果

3 个答案: