我正在尝试编写一个函数，该函数将数据框列表和条件列表作为参数，然后返回这些数据框的列表，这些数据框的列指示在另一个数据框中重复这些值的行。 / p>
例如，我有三个数据帧：
df1：
Name1 | Zip_code | Data
----- | -------- | ----
George| 123 | abc
----- | -------- | ----
Marge | 456 | def
----- | -------- | ----
Mike | 789 | foo
DF2：
Name | data | zip_code
----- | -------- | --------
Mike | klm | 789
----- | -------- | --------
George| xxx | 123
----- | -------- | --------
Marge | yyy | 456
----- | -------- | --------
Bob | zzz | 678
DF3：
Data | Name | zip_code
----- | -------- | --------
zzz | Bob | 678
----- | -------- | --------
ggg | Mike | 789
假设我只关心哪些名称和邮政编码是重复的，我希望输出看起来像这样：
df1：
Name1 | Zip_code | Data | row_df2 | row_df3
----- | --------- | ---- | ------- | -------
George| 123 | abc | 2 | NA
----- | --------- | ---- | ------- | -------
Marge | 456 | def | 3 | NA
----- | --------- | ---- | ------- | -------
Mike | 789 | foo | 1 | 2
DF2：
Name | data | zip_code | row_df3
----- | ----- | --------- | -------
Mike | klm | 789 | 2
----- | ----- | --------- | -------
George| xxx | 123 | NA
----- | ----- | --------- | -------
Marge | yyy | 456 | NA
----- | ----- | --------- | -------
Bob | zzz | 678 | 1
每个数据帧之间的列名称并不总是相同，例如我们可以在一个数据框中使用“Name”，在另一个数据框中使用“NameWhole”。此外，每个数据框中可能有不同数量的列。我意识到要比较的数据的顺序从每个数据帧的左到右需要相同，但是否则列之间的内容无关紧要。因此，
df1有：
df2有：
df3：
我目前的解决方案如下：
首先，初始化数据帧列表，该列表是函数的第一个参数：
dflist[[1]] <- df1
dflist[[2]] <- df2
dflist[[3]] <- df3
然后我们初始化条件列表，这是函数的第二个参数。由于我们对名称和zip_codes在数据框架中的共同点感兴趣，因此：
criterialist[[1]] <- c(1,2)
criterialist[[2]] <- c(1,3)
criterialist[[3]] <- c(2,3)
现在功能是：
cross_checker <- function(dflist, criterialist){
# Insert an index column indicating the row number to be returned:
for (i in 2:length(dflist)){
dflist[[i]]$index <- 1:nrow(dflist[[i]])
}
# Next we loop over the dataframes with two for-loops:
for (i in 1:length(dflist)-1){
for (j in 2:length(dflist)){
dflist[[i]][,ncol(dflist[[i]])+1] <- merge(dflist[[i]], dflist[[j]], by.x=criterialist[[i]], by.y=criterialist[[j]], all.x=TRUE)$index
}
}
结果我只有一个新的索引列进入df1，有时我的RStudio只打开一个调试窗口。我不确定“合并”是否可以解决这个问题，但我还没弄清楚“匹配”是如何运作的。
我想有一种方法是用for循环来强制它，但我认为这将是非常缓慢的。
最终的想法是创建一个函数，该函数使用任意数量的数据帧来检查重复记录，并使用新列返回这些数据帧，该列指示记录重复的行和数据帧
编辑：道歉，我的第一个问题。以下是表格的可重现代码：
name1 <- c("George","Marge","Mike")
zip1 <- c(123,456,789)
data1 <- c("abc","def","foo")
df1 <- data.frame(name1,zip1,data1,stringsAsFactors = F)
name2 <- c("Mike","George","Marge","Bob")
data2 <- c("klm","xxx","yyy","zzz")
zip2 <- c(789,123,456,678)
df2 <- data.frame(name2,data2,zip2,stringsAsFactors = F)
data3 <- c("zzz", "ggg")
name3 <- c("Bob","Mike")
zip3 <- c(678,789)
df3 <- data.frame(data3,name3,zip3,stringsAsFactors = F)
编辑2：
我决定添加一个额外的数据帧（现在有4个）：
name1 <- c("George","Marge","Mike")
zip1 <- c(123,456,789)
data1 <- c("abc","def","foo")
df1 <- data.frame(name1,zip1,data1,stringsAsFactors = F)
name2 <- c("Mike","George","Marge","Bob")
data2 <- c("klm","xxx","yyy","zzz")
zip2 <- c(789,123,456,678)
df2 <- data.frame(name2,data2,zip2,stringsAsFactors = F)
data3 <- c("zzz", "ggg")
name3 <- c("Bob","Mike")
zip3 <- c(678,789)
df3 <- data.frame(data3,name3,zip3,stringsAsFactors = F)
name4<-c("Marge", "George","Bob")
zip4<-c(234,123,678)
data4<-c("ask","bff","hhh")
df4 <- data.frame(name4,zip4,data4,stringsAsFactors = F)
然后我决定尝试以下代码：
cross_checker2 <- function(dflist,criterialist){
returnlist<-list()
looplen1 <- length(dflist)-1
for(i in 1:looplen1){
temp_df1 <- dflist[[i]]
temp_crit1 <- criterialist[[i]]
for(j in (i+1):length(dflist)){
temp_df2 <- dflist[[j]]
temp_crit2 <- criterialist[[j]]
temp_df1 <- merge(temp_df1,temp_df2,by.x=temp_crit1,by.y=temp_crit2,all.x=TRUE)
}
returnlist[[length(returnlist)+1]]<-temp_df1
}
我创建以下列表作为参数传递给函数：
deflista<-list()
deflista[[1]]<-df1
deflista[[2]]<-df2
deflista[[3]]<-df3
deflista[[4]]<-df4
crit1<-c(1,2)
crit2<-c(1,3)
crit3<-c(2,3)
crit4<-c(1,2)
critlist<-list()
critlist[[1]]<-crit1
critlist[[2]]<-crit2
critlist[[3]]<-crit3
critlist[[4]]<-crit4
并将其命名为：
test <- cross_checker2(deflista,critlist)
除第二个数据帧之外的其他所有内容的输出都是正确的。 第一个数据帧是正确的：
name1 | zip1 | data1 | data2 | data3 | data4
-------| ----- | -------|--------| -------| -------
George | 123 | abc | xxx | <NA> | bff
-------| ------| -------| -------| -------| --------
Marge | 456 | def | yyy | <NA> | <NA>
------ | ------ | ------ | ------ | ------ | ------
Mike | 789 | foo | klm | ggg | <NA>
现在是第二个：
name2 | data2 | zip2 | data3 | data4
------ | ------ | ------ | ------ | ------
Bob | zzz | 678 | zzz | <NA>
------ | ------ | ------ | ------ | -------
George | xxx | 123 | <NA> | <NA>
----- | ------ | ------ | ------ | ------
Marge | yyy | 456 | <NA> | <NA>
----- | ------ | ------ | ------ | ------
Mike | klm | 789 | ggg | <NA>
哪个不正确，因为George和Bob在最后一个数据帧（deflista [[4]]）中存在，但由于某种原因，合并不会返回那些。
第三个数据帧：
name3 | zip3 | data3 | data4
------ | ------ | ------- | ------
Bob | 678 | zzz | hhh
----- | ------ | ------- | --------
Mike | 789 | ggg | <NA>
哪个是正确的，因为Bob是在最后一个数据帧中找到的（deflista [[4]]）
我无法弄清楚for循环有什么问题，因为在比较一堆中的第二个数据帧时必须有一些索引问题。有什么想法吗？
出于这些目的，我遗漏了返回找到的条目的行索引，但是我可以在我弄清楚它有什么问题时立即添加它。此外，更喜欢基础库中的任何解决方案。
答案 0 :(得分：0)
我相信，到目前为止，我已经修复了原始问题中的循环，以至于它们返回了预期的结果：
# create lists
dflist <- list(df1, df2, df3)
criterialist <- list(c(1,2), c(1,3), c(2,3))
# add index columns
dflist <- lapply(dflist, function(x) {x[["index"]] <- seq_len(nrow(x)); x})
# find combinations of dataframes to check
combi <- combn(seq_along(dflist), 2)
combi
[,1] [,2] [,3] [1,] 1 1 2 [2,] 2 3 3
# check for matching rows
for (k in seq_len(ncol(combi))) {
i <- combi[1, k]
j <- combi[2, k]
tmp <- merge(dflist[[i]], dflist[[j]],
by.x=criterialist[[i]], by.y=criterialist[[j]], all.x=TRUE)
dflist[[i]][[paste0("row_df", j)]] <- tmp[order(tmp$index.x), "index.y"]
}
dflist
[[1]] name1 zip1 data1 index row_df2 row_df3 1 George 123 abc 1 2 NA 2 Marge 456 def 2 3 NA 3 Mike 789 foo 3 1 2 [[2]] name2 data2 zip2 index row_df3 1 Mike klm 789 1 2 2 George xxx 123 2 NA 3 Marge yyy 456 3 NA 4 Bob zzz 678 4 1 [[3]] data3 name3 zip3 index 1 zzz Bob 678 1 2 ggg Mike 789 2
请注意，这是检查3个数据帧的预期结果（在问题的Edit2之前）。
有几个缺陷导致原始代码中断：
for循环中的循环限制定义不明确：for (i in 1:length(dflist)-1){。这里，:运算符优先，因此索引从0开始，导致错误。这可以通过使用for (i in 1:(length(dflist)-1)){函数seq_len() for (i in seq_len(length(dflist)-1)) {来解决，甚至更好
merge()会返回两列index.x和index.y。它只返回一个index列，以便与df1合并，OP可以在其中添加索引列。merge()的结果需要index.x在追加之前订购。for循环导致数据帧与其自身的比较。相反，combn()函数用于查找所有唯一组合。 答案 1 :(得分：0)
感谢您的投入！
道歉，我想当我编辑原帖时，它删除了我们收到的一些输入。我不知道会那样做。
但是，我为此设置了一个解决方案，其中一个最重要的是合并，因为我没有意识到它会改变列和行的顺序。
无论如何，这有效：
# Check whether or not the command has two arguments
if [ $# -ne 2 ]; then
echo "You must enter 2 arguments!\n"
echo "Application is now exiting..."
exit
fi
# Check whether or not the employee name supplied by the user is available in the input file
awk -v employee_name=$2 -v is_employee_available=0 -v year=0 -v new_salary=0
'BEGIN{FS="|"}
{
if(employee_name == $2) {
is_employee_available=1;
year=strtonum(substr($6,8,11));
if(year==1990)
new_salary=$5+2000;
else if(year==1991)
new_salary=$5+1500;
else if(year==1992)
new_salary=$5+1000;
else if(year>1992)
new_salary=$5+500;
else
print "Invalid year of joining!";
}
}
END
{
if(is_employee_available==0)
print "The provided employee does not exist!";
}' $1