Question

我几个月前使用WHO ATC/DDD Index创建了一个数据集，我想确保今天数据库在线是否保持不变，所以我再次下载它并尝试使用R中的digest包做比较。

可以下载here这两个数据集（采用txt格式）。（我知道您可能认为文件不安全并且可能有病毒，但我不知道如何生成虚拟数据集来复制我现在的问题，所以我最后上传了数据集）

我写了一个小脚本如下：

library(digest)

ddd.old <- read.table("ddd.table.old.txt",header=TRUE,stringsAsFactors=FALSE)
ddd.new <- read.table("ddd.table.new.txt",header=TRUE,stringsAsFactors=FALSE)


ddd.old[,"ddd"] <- as.character(ddd.old[,"ddd"])
ddd.new[,"ddd"] <- as.character(ddd.new[,"ddd"])

ddd.old <- data.frame(ddd.old, hash = apply(ddd.old, 1, digest),stringsAsFactors=FALSE)
ddd.new <- data.frame(ddd.new, hash = apply(ddd.new, 1, digest),stringsAsFactors=FALSE)

ddd.old <- ddd.old[order(ddd.old[,"hash"]),]
ddd.new <- ddd.new[order(ddd.new[,"hash"]),]

当我进行检查时会发生一些非常有趣的事情：

> table(ddd.old[,"hash"]%in%ddd.new[,"hash"]) #line01

TRUE 
 506 
> table(ddd.new[,"hash"]%in%ddd.old[,"hash"]) #line02

TRUE 
 506 
> digest(ddd.old[,"hash"])==digest(ddd.new[,"hash"]) #line03
[1] TRUE
> digest(ddd.old)==digest(ddd.new) #line04
[1] FALSE

line01和line02表示ddd.old中的每一行都可以在ddd.new中找到，反之亦然。
line03显示两个数据框的hash列相同
line04表示两个数据框不同

会发生什么？这两个数据框具有相同的行（来自line01和line02），相同的顺序（来自line03），但是不同？（来自line04）

或者我对digest有任何误解吗？感谢。

Answer 1

像以前一样读入数据。

ddd.old <- read.table("ddd.table.old.txt",header=TRUE,stringsAsFactors=FALSE)
ddd.new <- read.table("ddd.table.new.txt",header=TRUE,stringsAsFactors=FALSE)
ddd.old[,"ddd"] <- as.character(ddd.old[,"ddd"])
ddd.new[,"ddd"] <- as.character(ddd.new[,"ddd"])

像Marek所说，首先检查与all.equal的差异。

all.equal(ddd.old, ddd.new)
[1] "Component 6: 4 string mismatches" 
[2] "Component 8: 24 string mismatches"

所以我们只需要看第6和第8列。

different.old <- ddd.old[, c(6, 8)]   
different.new <- ddd.new[, c(6, 8)]

哈希这些列。

hash.old <- apply(different.old, 1, digest)
hash.new <- apply(different.new, 1, digest)

找到不匹配的行。

different_rows <- which(hash.old != hash.new)  #which is optional

最后，组合数据集。

cbind(different.old[different_rows, ], different.new[different_rows, ])

使用哈希来确定2个数据帧是否相同（第01部分）

1 个答案: