Question

情况： 我有一个包含两列A和Customer ID的CSV文件Entry date。 A包含大约1.500.000次观察。

我有另一个CSV文件B，其中包含一列Customer ID。 B是A的较小子集。

目标： 由于表B中缺少有关其输入日期的信息，因此我希望从表A获取该信息并将其全部写入新表C。

当前进展： 我已经从A创建了10个子集S1，...，S10，并从每个子集创建了最大客户ID。在for循环中，我会遍历B的所有条目，并检查B是否位于其中一个子集中（通过子集的customer ID和max c ID ）。一旦我找到了我应该找到客户ID的子集，我就使用函数 which 来查找A中B的元素。

这非常慢。

是不是还有另一种更快的方式？

哪个是R中使用CSV文件的最佳对象，因为目前A是数据框，而B是大整数

Answer 1

我会使用data.table。这很简单（参见最后一个命令！），并且使用所谓的键控连接非常快。基本上，您使用公共密钥（在您的情况下为b）查找a中"Customer ID"的条目。举个例子：

require(data.table)
a <- data.table(id=1:10,date=as.Date(1:10))
setkey(a,id)
b <- data.table(id=4:6)
setkey(b,id)

a[b]
#   id       date
#1:  4 2016-02-01
#2:  5 2016-02-02
#3:  6 2016-02-03

根据您给出的示例，您可以输入此数据，读取数据并执行键控连接以获取表b中每个人的输入日期：

a <- fread( "A.csv" )
setkey(a, "Customer ID")
b <- fread( "B.csv" )
setkey(a, "Customer ID")

c <- a[b]

Answer 2

使用data.table的{{1}}来阅读fread个文件：

CSV

使用library(data.table); table_a <- fread("A.csv"); # Defaults are probably fine table_b <- fread("B.csv");使用B中的索引创建C：

merge

如果需要，将新表格写入CSV：

# Assuming the column name has an underscore instead of space
setkey(table_a, Customer_ID);
setkey(table_b, Customer_ID);

table_c <- merge(x=table_b, y=table_a, by="Customer_ID", all.x=TRUE);

Answer 3

再一次拯救：

dfc <- 
    dfb %>%
    left_join(dfa)

整个脚本是：

library(dplyr)
# to keep factors from becoming an issue when the .csv are read in.
options(stringsAsFactors = FALSE)   

dfa <- read.csv("A.csv")
dfb <- read.csv("B.csv")

dfc <- 
    dfb %>%
    left_join(dfa)

如何有效地匹配R中的两个数据表

3 个答案: