本节书摘来自华章计算机《数据科学:R语言实现》一书中的第3章,第3.8节,作者 丘祐玮(David Chiu),更多章节内容可以访问云栖社区“华章计算机”公众号查看。
3.8 合并数据
数据合并让我们理解不同数据源是如何相互关联的。R中的merge操作与数据库中的join操作类似,它使用两个数据集中相同的值来连接两个数据集。
准备工作
按照3.3节“转换数据类型”教程,把导入数据的每个属性转换成合适的数据类型。同时按照3.2节“重命名数据变量”中的步骤,命名employees和salaries数据集的列名。
实现步骤
执行下列步骤,合并salaries和employees。
1.因为salaries和employees都有emp_no,我们可以使用emp_no作为连接键合并两个数据集:
2.我们可以给舍弃的属性指定NULL值:
3.除了使用函数merge,我们可以安装加载plyr程序包来操作数据:
4.我们可以使用plyr中的函数join来合并数据:
运行原理
与数据库中的数据表类似,我们有时候也需要合并两个数据集,进而进行数据关联。在R中,我们只需要使用函数merge合并相同列值下的两个数据框。
在函数merge中,我们使用salaries和employees作为输入数据框。对于by参数,我们指定emp_no作为键合并这两个表。然后,我们看到在emp_no上取值相同的数据合并到了一个新的数据框中。但是,有时我们希望执行左连接或者右连接,以达到保留employees或salaries所有数据值的目的。要执行左连接,我们设置all.x为TRUE。然后我们发现employees所有行都在合并结果中保留了下来。相反,如果我们希望保留salaries的所有行,我们可以设置all.y为TRUE。
除了使用内置的merge函数,我们可以安装加载plyr程序包来合并数据集。join的用法与merge类似,我们只需要指定要合并的数据以及by参数中相同值所在的列。
更多技能
在plyr程序包中,我们可以使用函数join_all,在一个列表中递归地连接数据集。这里,我们可以使用join_all按照emp_no合并employees和salaries数据集: