Question

我有两个表，我想使用dplyr进行完全连接，但我不希望它删除任何列。根据文档和我自己的经验，它只保留左侧的连接列。如果您的右侧有一条记录，那么这是一个问题，因为连接值已经消失。

例如，假设我有两个表a和b，

customerId | revenue               customerId | state
-----------|---------              -----------|-------
    1      | 2000                       1     |  CA
    2      | 3000                       3     |  GA
    4      | 4000                       4     |  NY

执行full_join(a, b, by="customerId")之类的操作会产生

customerId | revenue | state
-----------|---------|-------
    1      |   2000  |  CA
    2      |   3000  | <NA>
   <NA>    |   <NA>  |  GA
    4      |   4000  |  NY

所以没有办法告诉第三行来自哪个客户。理想的输出是

customerId.a | customerId.b | revenue | state
-------------|--------------|---------|-------
      1      |      1       |   2000  |  CA
      2      |     <NA>     |   3000  | <NA>
    <NA>     |      3       |   <NA>  |  GA
      4      |      4       |   4000  |  NY

请注意，这只是一个玩具示例。我实际上使用的是sparklyr，所以这一切都在Spark中运行。因此，合并不会在这里为我工作。有没有办法做我在dplyr中寻找的东西？

编辑：有人指出，这实际上是在dplyr本地工作。但是，我确实使用sparklyr（使用dplyr）看到了这个问题。以下是代码：

library(sparklyr)
sc <- spark_connect("local[4]")
d1 <- data_frame(customerId = c("1","2","4"), revenue=c(2000,3000,4000))
d2 <- data_frame(customerId = c("1","3","4"), state=c("CA", "GA", "NY"))
d1_tbl <- copy_to(sc, d1)
d2_tbl <- copy_to(sc, d2)
full_join(d1_tbl, d2_tbl, by=c("customerId"))

Answer 1

您可以在加入之前为两个数据框创建单独的相同customerId：

full_join(
    mutate(a, customerId.a = customerId), 
    mutate(b, customerId.b = customerId), 
    by="customerId"
) %>% select(-customerId)

#  revenue customerId.a state customerId.b
#1    2000            1    CA            1
#2    3000            2  <NA>           NA
#3    4000            4    NY            4
#4      NA           NA    GA            3

Answer 2

我无法重现你的问题。所有ID都应该（并且）包含在完整连接中。

library(data_frame)
d1 <- data_frame(
  customerId = c(1, 2, 4),
  revenue = c(2000, 3000, 4000)
)
d2 <- data_frame(
  customerId = c(1, 3, 4),
  state = c("CA", "GA", "NY")
)

full_join(d1, d2, by = "customerId")
## # A tibble: 4 × 3
##   customerId revenue state
##        <dbl>   <dbl> <chr>
## 1          1    2000    CA
## 2          2    3000  <NA>
## 3          4    4000    NY
## 4          3      NA    GA

更新：我可以使用sparklyr重现问题。这是奇怪的行为，所以你可能想提出一个问题。（不清楚问题是sparklyr还是dplyr还是DBI还是Spark SQL。）

使用explain()，您可以看到生成的SQL。

full_join(d1_tbl, d2_tbl, by=c("customerId")) %>% explain()

你可以尝试运行自定义SQL查询来获得你想要的东西，虽然它有点麻烦。

library(DBI)
qry <- "SELECT 
    d1.customerID AS customerID1, 
    d2.customerID AS customerID2, 
    d1.revenue, 
    d2.state 
  FROM d1 
  FULL JOIN d2 
    ON d1.customerId = d2.customerId"
dbGetQuery(sc, qry)  
##   customerID1 customerID2 revenue state
## 1           1           1    2000    CA
## 2           2        <NA>    3000  <NA>
## 3        <NA>           3     NaN    GA
## 4           4           4    4000    NY

Answer 3

这已经修复

> full_join(d1_tbl, d2_tbl, by="customerId")
# Source:   lazy query [?? x 3]
# Database: spark_connection
  customerId revenue state
       <chr>   <dbl> <chr>
1          1    2000    CA
2          3     NaN    GA
3          2    3000  <NA>
4          4    4000    NY

是否可以在dplyr中进行完全连接并保留连接中使用的所有列？

3 个答案: