Question

在R中，具有以下两个数据帧：

df1 <- structure(list(id = 1:8, value = c(100L, 100L, 100L, 100L, 100L, 
100L, 100L, 100L)), class = "data.frame", row.names = c(NA, -8L))

df2 <- structure(list(randomColumnName = c(100L, 2L, 3L, 40L, 5L, 6L, 73L, 8L), OtherRandomColumn =    structure(c(1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L), .Label = "'test'", class = "factor"), value = c(100L, 100L, 100L, 100L, 100L, 100L, 100L, 100L)), class = "data.frame", row.names = c(NA, -8L))

print(df1)

  id value
1  1   100
2  2   100
3  3   100
4  4   100
5  5   100
6  6   100
7  7   100
8  8   100

print(df2)

  randomColumnName OtherRandomColumn value
1              100            'test'   100
2                2            'test'   100
3                3            'test'   100
4               40            'test'   100
5                5            'test'   100
6                6            'test'   100
7               73            'test'   100
8                8            'test'   100

数据帧1具有一个唯一的id列，称为“ id”。我知道df2也有一个包含一些但不是全部 ID的列。预先，我不知道数据框2中相应列的列名。

问题：

是否有任何方便的函数或机制来检查df2中每列的前几个条目（例如50），将它们与df的id列进行比较，并返回最可能与ID匹配的df2列名专栏？

在这种情况下，应该返回“ randomColumnName”列是最有可能与df1的ID列匹配的列。

Answer 1

您可以尝试循环df2并对照df1$id检查每一列。总和最大的列是您要合并的列。请注意，该输出是命名向量，因此您可以使用名称或其索引。

i1 <- which.max(sapply(df2, function(i) sum(df1$id == i)))
names(i1)
#[1] "randomColumnName"
i1
#randomColumnName 
#               1

Answer 2

您可以使用data.table执行以下操作。它输出一个data.table（hitmat），该表描述df2每列中与df1中的ID相匹配的条目的分数。如您所见，randomColumnName相对于df1 $ id具有5/8（62.5％）的“匹配”分数。

该代码在实践中的作用是计算df2中每一列的唯一值与df1 $ id的匹配数。请注意，此解决方案假定df2中的适当匹配项是唯一的，正如您所说的，它们在df1中。如果正确的匹配项可能在df2中出现几次，只需在lapply语句中删除unique（）。

df1 = data.table(df1)
df2 = data.table(df2)

ids = df1$id # Get IDS
cols = colnames(df2) # Source appropriate subset for df2

hitmat = df2[, lapply(.SD, function(x) sum(unique(x) %in% ids)/length(x)), .SDcols = cols]

> hitmat
   randomColumnName OtherRandomColumn value
1:            0.625                 0     0

自动匹配右列

2 个答案: