1 簡(jiǎn)介
在數(shù)據(jù)分析過程中，基本上都要涉及多個(gè)數(shù)據(jù)表年叮。那當(dāng)我們對(duì)多個(gè)數(shù)據(jù)表感興趣時(shí)哈扮，此時(shí)需要將它們組合起來(lái)才能解決我們相應(yīng)的問題纬纪。我們將多個(gè)數(shù)據(jù)表統(tǒng)稱為數(shù)據(jù)間的關(guān)系。
關(guān)系總是在一對(duì)表之間定義滑肉。其他所有的關(guān)系都是從這個(gè)簡(jiǎn)單的想法建立起來(lái)的：三個(gè)或更多表的關(guān)系總是每對(duì)之間關(guān)系的一個(gè)屬性包各。有時(shí)一對(duì)關(guān)系的兩個(gè)元素可以是同一個(gè)表！例如靶庙，如果您有一張人員表问畅，并且每個(gè)人都有對(duì)其父母的引用。
要處理關(guān)系數(shù)據(jù)，您需要學(xué)會(huì)處理表的一些操作按声。用于處理數(shù)據(jù)間關(guān)系的操作有以下三類：
變異連接膳犹，從另一個(gè)數(shù)據(jù)幀的匹配觀察結(jié)果中添加新的變量。
過濾連接签则，根據(jù)一個(gè)數(shù)據(jù)幀中的觀察結(jié)果是否與另一個(gè)表中的觀察結(jié)果相匹配须床，哪個(gè)數(shù)據(jù)幀對(duì)其中的觀察結(jié)果進(jìn)行過濾。
集合操作渐裂，它們把觀察結(jié)果看作是集合元素豺旬。
1.1 加載包
我們將使用dplyr中的兩個(gè)表來(lái)研究來(lái)自nycflights13的關(guān)系數(shù)據(jù)。
library(tidyverse)
library(nycflights13)
2 nycflights13包中的數(shù)據(jù)集
我們將使用 nycflights13 包來(lái)了解關(guān)系數(shù)據(jù)柒凉。nycflights13 包含與flights使用的表相關(guān)的四個(gè)小標(biāo)題：
-
airlines可以從其縮寫代碼中查找完整的運(yùn)營(yíng)商名稱：airlines #> # A tibble: 16 x 2 #> carrier name #> <chr> <chr> #> 1 9E Endeavor Air Inc. #> 2 AA American Airlines Inc. #> 3 AS Alaska Airlines Inc. #> 4 B6 JetBlue Airways #> 5 DL Delta Air Lines Inc. #> 6 EV ExpressJet Airlines Inc. #> # … with 10 more rows -
airports提供有關(guān)每個(gè)機(jī)場(chǎng)的信息族阅，由機(jī)場(chǎng)代碼faa標(biāo)識(shí)：airports #> # A tibble: 1,458 x 8 #> faa name lat lon alt tz dst tzone #> <chr> <chr> <dbl> <dbl> <dbl> <dbl> <chr> <chr> #> 1 04G Lansdowne Airport 41.1 -80.6 1044 -5 A America/New_Y… #> 2 06A Moton Field Municipal Airp… 32.5 -85.7 264 -6 A America/Chica… #> 3 06C Schaumburg Regional 42.0 -88.1 801 -6 A America/Chica… #> 4 06N Randall Airport 41.4 -74.4 523 -5 A America/New_Y… #> 5 09J Jekyll Island Airport 31.1 -81.4 11 -5 A America/New_Y… #> 6 0A9 Elizabethton Municipal Air… 36.4 -82.2 1593 -5 A America/New_Y… #> # … with 1,452 more rows -
planes給出關(guān)于每個(gè)飛機(jī)的信息，由tailnum標(biāo)識(shí)：planes #> # A tibble: 3,322 x 9 #> tailnum year type manufacturer model engines seats speed engine #> <chr> <int> <chr> <chr> <chr> <int> <int> <int> <chr> #> 1 N10156 2004 Fixed wing mu… EMBRAER EMB-1… 2 55 NA Turbo-… #> 2 N102UW 1998 Fixed wing mu… AIRBUS INDUST… A320-… 2 182 NA Turbo-… #> 3 N103US 1999 Fixed wing mu… AIRBUS INDUST… A320-… 2 182 NA Turbo-… #> 4 N104UW 1999 Fixed wing mu… AIRBUS INDUST… A320-… 2 182 NA Turbo-… #> 5 N10575 2002 Fixed wing mu… EMBRAER EMB-1… 2 55 NA Turbo-… #> 6 N105UW 1999 Fixed wing mu… AIRBUS INDUST… A320-… 2 182 NA Turbo-… #> # … with 3,316 more rows -
weather提供紐約市各機(jī)場(chǎng)每小時(shí)的天氣情況：weather #> # A tibble: 26,115 x 15 #> origin year month day hour temp dewp humid wind_dir wind_speed wind_gust #> <chr> <int> <int> <int> <int> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> #> 1 EWR 2013 1 1 1 39.0 26.1 59.4 270 10.4 NA #> 2 EWR 2013 1 1 2 39.0 27.0 61.6 250 8.06 NA #> 3 EWR 2013 1 1 3 39.0 28.0 64.4 240 11.5 NA #> 4 EWR 2013 1 1 4 39.9 28.0 62.2 250 12.7 NA #> 5 EWR 2013 1 1 5 39.0 28.0 64.4 260 12.7 NA #> 6 EWR 2013 1 1 6 37.9 28.0 67.2 240 11.5 NA #> # … with 26,109 more rows, and 4 more variables: precip <dbl>, pressure <dbl>, #> # visib <dbl>, time_hour <dttm>
顯示不同表之間關(guān)系的一種方法是使用繪圖：
理解這樣的圖的關(guān)鍵是記住每個(gè)關(guān)系總是與一對(duì)表有關(guān)膝捞。你不需要了解整個(gè)事情坦刀；您只需要了解您感興趣的表之間的關(guān)系鏈。
對(duì)于 nycflights13：
flights連接到planes蔬咬，通過單個(gè)變量tailnum鲤遥。flights連接到airlines，通過carrier變量林艘。flights連接到airports盖奈，通過兩個(gè)origin和dest變量。flights連接到weather的變量有origin（位置）和year狐援、month钢坦、day和hour（時(shí)間）。
3 通過key連接
用于連接每對(duì)表的變量稱為鍵啥酱。對(duì)于觀察的變量（或變量集）鍵是唯一標(biāo)識(shí)符爹凹。在簡(jiǎn)單的情況下，單個(gè)變量足以識(shí)別出觀察值镶殷。例如逛万，每個(gè)飛機(jī)都有唯一標(biāo)識(shí)tailnum。在其他情況下批钠，可能需要多個(gè)變量宇植。例如，在確定的觀察weather埋心，你需要五個(gè)變量：year指郁，month，day拷呆，hour闲坎，和origin疫粥。
有兩種類型的鍵：
主鍵唯一地標(biāo)識(shí)一個(gè)觀察結(jié)果。例如腰懂，
planes$tailnum是主鍵梗逮，因?yàn)樗ㄒ粯?biāo)識(shí)了planes表中的每個(gè)飛機(jī)。外鍵唯一標(biāo)識(shí)另一個(gè)表的觀察結(jié)果绣溜。例如慷彤，
flights$tailnum是外鍵，因?yàn)樗霈F(xiàn)在flights表中怖喻，它將每個(gè)航班與飛機(jī)一對(duì)一匹配底哗。
變量既可以是主鍵，也可以是外鍵锚沸。例如跋选，origin在weather表中是主鍵的一部分，在airports表中是外鍵哗蜈。
一旦確定了表中的主鍵前标，最好驗(yàn)證它們唯一對(duì)應(yīng)每個(gè)觀察結(jié)果。一種方法是使用count()查找住建數(shù)量n大于 1 的條目：
planes %>%
count(tailnum) %>%
filter(n > 1)
#> # A tibble: 0 x 2
#> # … with 2 variables: tailnum <chr>, n <int>
weather %>%
count(year, month, day, hour, origin) %>%
filter(n > 1)
#> # A tibble: 3 x 6
#> year month day hour origin n
#> <int> <int> <int> <int> <chr> <int>
#> 1 2013 11 3 1 EWR 2
#> 2 2013 11 3 1 JFK 2
#> 3 2013 11 3 1 LGA 2
有時(shí)一個(gè)表沒有明確的主鍵：每一行都是一個(gè)觀察值距潘，但沒有任何變量組合能夠單獨(dú)的標(biāo)識(shí)炼列。例如，flights表中的主鍵是什么绽昼？您可能認(rèn)為它是日期加上航班號(hào)或尾號(hào)，但它們都不是唯一的：
flights %>%
count(year, month, day, flight) %>%
filter(n > 1)
#> # A tibble: 29,768 x 5
#> year month day flight n
#> <int> <int> <int> <int> <int>
#> 1 2013 1 1 1 2
#> 2 2013 1 1 3 2
#> 3 2013 1 1 4 2
#> 4 2013 1 1 11 3
#> 5 2013 1 1 15 2
#> 6 2013 1 1 21 2
#> # … with 29,762 more rows
flights %>%
count(year, month, day, tailnum) %>%
filter(n > 1)
#> # A tibble: 64,928 x 5
#> year month day tailnum n
#> <int> <int> <int> <chr> <int>
#> 1 2013 1 1 N0EGMQ 2
#> 2 2013 1 1 N11189 2
#> 3 2013 1 1 N11536 2
#> 4 2013 1 1 N11544 3
#> 5 2013 1 1 N11551 2
#> 6 2013 1 1 N12540 2
#> # … with 64,922 more rows
在開始處理這些數(shù)據(jù)時(shí)须蜗，我們可能會(huì)認(rèn)為每個(gè)航班號(hào)每天只使用一次硅确，然而事實(shí)并非如此！如果表缺乏一個(gè)主鍵明肮，它有時(shí)根據(jù)需要增加一個(gè)mutate()和row_number()菱农。如果您已經(jīng)進(jìn)行了一些過濾并想要重新檢查原始數(shù)據(jù)，則可以更輕松地匹配觀察結(jié)果柿估。這稱為代理鍵循未。
另一個(gè)表中的主鍵和相應(yīng)的外鍵形成關(guān)系。關(guān)系通常是一對(duì)多的秫舌。例如的妖，每個(gè)航班都有一架飛機(jī)，但每架飛機(jī)都有許多航班足陨。在其他數(shù)據(jù)中嫂粟，您偶爾會(huì)看到一對(duì)一的關(guān)系。您可以將其視為一對(duì)多的特殊情況墨缘。您可以使用多對(duì)一關(guān)系和一對(duì)多關(guān)系來(lái)建模多對(duì)多關(guān)系星虹。例如零抬，在此數(shù)據(jù)中，航空公司和機(jī)場(chǎng)之間存在多對(duì)多關(guān)系：每家航空公司飛往多個(gè)機(jī)場(chǎng)宽涌；每個(gè)機(jī)場(chǎng)都有許多航空公司平夜。
4 變異連接
我們組合一對(duì)表的第一個(gè)工具是mutating join。變異連接允許您組合來(lái)自兩個(gè)表的變量卸亮。它首先通過鍵匹配觀察值忽妒，然后將變量從一個(gè)表復(fù)制到另一個(gè)表。
如同mutate()嫡良，連接函數(shù)在右邊添加變量锰扶，所以如果你已經(jīng)有很多變量，新的變量不會(huì)被打印出來(lái)寝受。
flights2 <- flights %>%
select(year:day, hour, origin, dest, tailnum, carrier)
flights2
#> # A tibble: 336,776 x 8
#> year month day hour origin dest tailnum carrier
#> <int> <int> <int> <dbl> <chr> <chr> <chr> <chr>
#> 1 2013 1 1 5 EWR IAH N14228 UA
#> 2 2013 1 1 5 LGA IAH N24211 UA
#> 3 2013 1 1 5 JFK MIA N619AA AA
#> 4 2013 1 1 5 JFK BQN N804JB B6
#> 5 2013 1 1 6 LGA ATL N668DN DL
#> 6 2013 1 1 5 EWR ORD N39463 UA
#> # … with 336,770 more rows
假設(shè)您想將完整的航空公司名稱添加到flights2數(shù)據(jù)中坷牛。您可以將airlines和flights2通過left_join()進(jìn)行組合：
flights2 %>%
select(-origin, -dest) %>%
left_join(airlines, by = "carrier")
#> # A tibble: 336,776 x 7
#> year month day hour tailnum carrier name
#> <int> <int> <int> <dbl> <chr> <chr> <chr>
#> 1 2013 1 1 5 N14228 UA United Air Lines Inc.
#> 2 2013 1 1 5 N24211 UA United Air Lines Inc.
#> 3 2013 1 1 5 N619AA AA American Airlines Inc.
#> 4 2013 1 1 5 N804JB B6 JetBlue Airways
#> 5 2013 1 1 6 N668DN DL Delta Air Lines Inc.
#> 6 2013 1 1 5 N39463 UA United Air Lines Inc.
#> # … with 336,770 more rows
將airlines的航空公司名稱name加入到flight2的結(jié)果。將這種類型的連接稱為變異連接很澄。在這種情況下京闰，也可以使用mutate()和 R 的base包達(dá)到同樣的效果：
flights2 %>%
select(-origin, -dest) %>%
mutate(name = airlines$name[match(carrier, airlines$carrier)])
#> # A tibble: 336,776 x 7
#> year month day hour tailnum carrier name
#> <int> <int> <int> <dbl> <chr> <chr> <chr>
#> 1 2013 1 1 5 N14228 UA United Air Lines Inc.
#> 2 2013 1 1 5 N24211 UA United Air Lines Inc.
#> 3 2013 1 1 5 N619AA AA American Airlines Inc.
#> 4 2013 1 1 5 N804JB B6 JetBlue Airways
#> 5 2013 1 1 6 N668DN DL Delta Air Lines Inc.
#> 6 2013 1 1 5 N39463 UA United Air Lines Inc.
#> # … with 336,770 more rows
但是當(dāng)您需要匹配多個(gè)變量時(shí)，這就非常的麻煩甩苛，而且需要仔細(xì)理解才能弄清楚整體意圖蹂楣，達(dá)到期望的結(jié)果。
下面將詳細(xì)解釋變異連接的原理讯蒲。首先學(xué)習(xí)一種有用的連接可視化表示痊土。然后我們將使用它來(lái)解釋四個(gè)變異連接函數(shù)：內(nèi)連接和三個(gè)外連接。
在處理真實(shí)數(shù)據(jù)時(shí)墨林，鍵并不總是唯一標(biāo)識(shí)觀察結(jié)果赁酝，因此接下來(lái)我們將討論沒有唯一匹配時(shí)會(huì)發(fā)生什么。最后旭等，您將學(xué)習(xí)如何告訴 dplyr 哪些變量是給定連接的鍵酌呆。
4.1 理解連接原理
為了幫助您了解連接的工作原理，通過圖形展示：
x <- tribble(
~key, ~val_x,
1, "x1",
2, "x2",
3, "x3"
)
y <- tribble(
~key, ~val_y,
1, "y1",
2, "y2",
4, "y3"
)
彩色列代表“key”變量：它們用于匹配表之間的行搔耕∠对灰色列表示對(duì)應(yīng)的“value”列。在這些示例中弃榨，通過展示單個(gè)鍵變量菩收，但該想法以一種直接的方式概括為多個(gè)鍵和多個(gè)值。
連接是將x中的每一行連接到y中的0行鲸睛、1行或多行的一種方法坛梁。下圖顯示了作為一對(duì)直線的交點(diǎn)的每個(gè)潛在匹配。
（如果您仔細(xì)觀察腊凶，您可能會(huì)注意到我們已經(jīng)切換了x中的鍵和值列的順序划咐。這是為了強(qiáng)調(diào)連接基于鍵進(jìn)行匹配拴念；該值只是在過程中被攜帶。）
在實(shí)際的連接中褐缠，匹配將用點(diǎn)表示政鼠。點(diǎn)的數(shù)量=匹配的數(shù)量=輸出中的行數(shù)。
4.2 內(nèi)連接
最簡(jiǎn)單的連接類型是內(nèi)連接队魏。只要它們的鍵相等公般，內(nèi)連接就會(huì)匹配觀察值對(duì)：
（準(zhǔn)確地說，這是一個(gè)內(nèi)部等值聯(lián)接胡桨，因?yàn)殒I是使用=運(yùn)算符匹配的官帘。由于大多數(shù)連接是等值聯(lián)接，我們通常不采用該連接方法昧谊。）
內(nèi)連接的輸出是一個(gè)包含鍵刽虹、x 值和 y 值的新數(shù)據(jù)框。我們用by來(lái)告訴 dplyr 哪個(gè)變量是鍵：
x %>%
inner_join(y, by = "key")
#> # A tibble: 2 x 3
#> key val_x val_y
#> <dbl> <chr> <chr>
#> 1 1 x1 y1
#> 2 2 x2 y2
內(nèi)連接最重要的特性是結(jié)果中只包含匹配的行呢诬。這意味著通常內(nèi)部連接通常不適合用于分析涌哲，因?yàn)樗鼤?huì)丟失很多的觀察值。
4.3 外連接
內(nèi)連接保留出現(xiàn)在兩個(gè)表中的觀察結(jié)果尚镰。外連接保存至少出現(xiàn)在其中一個(gè)表中的觀察結(jié)果阀圾。外連接有三種類型：
-
左連接：保留
x所有觀察值。 -
右連接：保留
y所有觀測(cè)值狗唉。 -
全連接：保留
x和y所有觀測(cè)值初烘。
這些連接通過向每個(gè)表添加額外的“虛擬”觀察值。這個(gè)觀察值有一個(gè)總是匹配的鍵（如果沒有其他鍵匹配）分俯，則填充NA肾筐。
下面通過圖形來(lái)解釋具體原理：
最常用的連接是左連接：每當(dāng)您從另一個(gè)表中查找附加數(shù)據(jù)時(shí)都可以使用它，因?yàn)榧词箾]有匹配澳迫，它也會(huì)保留原始觀察結(jié)果局齿。左連接應(yīng)該是默認(rèn)連接方式剧劝。
描述不同連接類型的另一種方法是使用維恩圖：
但是維恩圖有個(gè)限制：維恩圖無(wú)法顯示當(dāng)鍵不能唯一標(biāo)識(shí)觀察時(shí)會(huì)發(fā)生什么橄登。
4.4 重復(fù)的鍵
前面我們遇到的數(shù)據(jù)中鍵都是唯一的，但是我們?cè)谔幚頂?shù)據(jù)時(shí)往往會(huì)碰到鍵不唯一讥此，有下面兩種情況：
-
一張數(shù)據(jù)表有重復(fù)的鍵拢锹。這在您想要添加附加信息時(shí)很有用，因?yàn)橥ǔ４嬖谝粚?duì)多關(guān)系萄喳。
image
注意卒稳，我將鍵列放在了輸出中稍微不同的位置。這反映了該鍵在y中是主鍵他巨，在x中是外鍵充坑。
```
x <- tribble(
~key, ~val_x,
1, "x1",
2, "x2",
2, "x3",
1, "x4"
)
y <- tribble(
~key, ~val_y,
1, "y1",
2, "y2"
)
left_join(x, y, by = "key")
#> # A tibble: 4 x 3
#> key val_x val_y
#> <dbl> <chr> <chr>
#> 1 1 x1 y1
#> 2 2 x2 y2
#> 3 2 x3 y2
#> 4 1 x4 y1
```
-
兩個(gè)表都有重復(fù)的鍵减江。這通常是一個(gè)錯(cuò)誤，因?yàn)樵谶@兩個(gè)表中捻爷，鍵都不能唯一地標(biāo)識(shí)觀察辈灼。當(dāng)你加入重復(fù)的鍵時(shí)，將使用笛卡爾積來(lái)展示：
imagex <- tribble( ~key, ~val_x, 1, "x1", 2, "x2", 2, "x3", 3, "x4" ) y <- tribble( ~key, ~val_y, 1, "y1", 2, "y2", 2, "y3", 3, "y4" ) left_join(x, y, by = "key") #> # A tibble: 6 x 3 #> key val_x val_y #> <dbl> <chr> <chr> #> 1 1 x1 y1 #> 2 2 x2 y2 #> 3 2 x2 y3 #> 4 2 x3 y2 #> 5 2 x3 y3 #> 6 3 x4 y4
4.5 定義關(guān)鍵列
到目前為止也榄，這對(duì)表總是由一個(gè)變量連接巡莹，并且該變量在兩個(gè)表中具有相同的名稱。通過by = "key"來(lái)約定甜紫。你可以使用by指定其他鍵值來(lái)連接表：
-
默認(rèn)情況下
by = NULL將使用出現(xiàn)在兩個(gè)表中的所有變量降宅，即所謂的自然連接。例如囚霸，航班和天氣表格匹配他們共同的變量：year腰根，month，day邮辽，hour和origin唠雕。flights2 %>% left_join(weather) #> Joining, by = c("year", "month", "day", "hour", "origin") #> # A tibble: 336,776 x 18 #> year month day hour origin dest tailnum carrier temp dewp humid #> <int> <int> <int> <dbl> <chr> <chr> <chr> <chr> <dbl> <dbl> <dbl> #> 1 2013 1 1 5 EWR IAH N14228 UA 39.0 28.0 64.4 #> 2 2013 1 1 5 LGA IAH N24211 UA 39.9 25.0 54.8 #> 3 2013 1 1 5 JFK MIA N619AA AA 39.0 27.0 61.6 #> 4 2013 1 1 5 JFK BQN N804JB B6 39.0 27.0 61.6 #> 5 2013 1 1 6 LGA ATL N668DN DL 39.9 25.0 54.8 #> 6 2013 1 1 5 EWR ORD N39463 UA 39.0 28.0 64.4 #> # … with 336,770 more rows, and 7 more variables: wind_dir <dbl>, #> # wind_speed <dbl>, wind_gust <dbl>, precip <dbl>, pressure <dbl>, #> # visib <dbl>, time_hour <dttm> -
通過字符向量，by = "x"吨述。例如岩睁，航班和飛機(jī)有年份變量，但它們有不同的含義揣云，所以我們只想通過
tailnum連接捕儒。flights2 %>% left_join(planes, by = "tailnum") #> # A tibble: 336,776 x 16 #> year.x month day hour origin dest tailnum carrier year.y type #> <int> <int> <int> <dbl> <chr> <chr> <chr> <chr> <int> <chr> #> 1 2013 1 1 5 EWR IAH N14228 UA 1999 Fixe… #> 2 2013 1 1 5 LGA IAH N24211 UA 1998 Fixe… #> 3 2013 1 1 5 JFK MIA N619AA AA 1990 Fixe… #> 4 2013 1 1 5 JFK BQN N804JB B6 2012 Fixe… #> 5 2013 1 1 6 LGA ATL N668DN DL 1991 Fixe… #> 6 2013 1 1 5 EWR ORD N39463 UA 2012 Fixe… #> # … with 336,770 more rows, and 6 more variables: manufacturer <chr>, #> # model <chr>, engines <int>, seats <int>, speed <int>, engine <chr>請(qǐng)注意，
year變量（出現(xiàn)在兩個(gè)輸入數(shù)據(jù)框中邓夕，但不限于相等）在輸出中通過后綴消除歧義刘莹。 -
通過字符向量連接：
by = c("a" = "b"). 這將匹配表x中變量a和表y中的變量b。例如焚刚，如果我們要繪制地圖点弯，我們需要將航班數(shù)據(jù)與每個(gè)機(jī)場(chǎng)位置 (
lat和lon)的機(jī)場(chǎng)數(shù)據(jù)結(jié)合起來(lái)。每個(gè)航班都有一個(gè)出發(fā)地和目的地機(jī)場(chǎng)矿咕，因此我們需要指定要加入哪個(gè)機(jī)場(chǎng)：flights2 %>% left_join(airports, c("dest" = "faa")) #> # A tibble: 336,776 x 15 #> year month day hour origin dest tailnum carrier name lat lon alt #> <int> <int> <int> <dbl> <chr> <chr> <chr> <chr> <chr> <dbl> <dbl> <dbl> #> 1 2013 1 1 5 EWR IAH N14228 UA Geor… 30.0 -95.3 97 #> 2 2013 1 1 5 LGA IAH N24211 UA Geor… 30.0 -95.3 97 #> 3 2013 1 1 5 JFK MIA N619AA AA Miam… 25.8 -80.3 8 #> 4 2013 1 1 5 JFK BQN N804JB B6 <NA> NA NA NA #> 5 2013 1 1 6 LGA ATL N668DN DL Hart… 33.6 -84.4 1026 #> 6 2013 1 1 5 EWR ORD N39463 UA Chic… 42.0 -87.9 668 #> # … with 336,770 more rows, and 3 more variables: tz <dbl>, dst <chr>, #> # tzone <chr> flights2 %>% left_join(airports, c("origin" = "faa")) #> # A tibble: 336,776 x 15 #> year month day hour origin dest tailnum carrier name lat lon alt #> <int> <int> <int> <dbl> <chr> <chr> <chr> <chr> <chr> <dbl> <dbl> <dbl> #> 1 2013 1 1 5 EWR IAH N14228 UA Newa… 40.7 -74.2 18 #> 2 2013 1 1 5 LGA IAH N24211 UA La G… 40.8 -73.9 22 #> 3 2013 1 1 5 JFK MIA N619AA AA John… 40.6 -73.8 13 #> 4 2013 1 1 5 JFK BQN N804JB B6 John… 40.6 -73.8 13 #> 5 2013 1 1 6 LGA ATL N668DN DL La G… 40.8 -73.9 22 #> 6 2013 1 1 5 EWR ORD N39463 UA Newa… 40.7 -74.2 18 #> # … with 336,770 more rows, and 3 more variables: tz <dbl>, dst <chr>, #> # tzone <chr>
4.7 其他實(shí)現(xiàn)方式
base::merge() 可以執(zhí)行所有四種變異連接類型：
| dplyr包 | base::merge() |
|---|---|
inner_join(x, y) |
merge(x, y) |
left_join(x, y) |
merge(x, y, all.x = TRUE) |
right_join(x, y) |
merge(x, y, all.y = TRUE), |
full_join(x, y) |
merge(x, y, all.x = TRUE, all.y = TRUE) |
使用dplyr 包優(yōu)點(diǎn)是它們更清楚地傳達(dá)出代碼的意圖抢肛，dplyr 的連接速度要快得多，而且不會(huì)弄亂行的順序碳柱。
dplyr 是根據(jù)SQL 語(yǔ)法來(lái)編譯的：
| dplyr | SQL |
|---|---|
inner_join(x, y, by = "z") |
SELECT * FROM x INNER JOIN y USING (z) |
left_join(x, y, by = "z") |
SELECT * FROM x LEFT OUTER JOIN y USING (z) |
right_join(x, y, by = "z") |
SELECT * FROM x RIGHT OUTER JOIN y USING (z) |
full_join(x, y, by = "z") |
SELECT * FROM x FULL OUTER JOIN y USING (z) |
請(qǐng)注意捡絮，“INNER”和“OUTER”是可選的，經(jīng)常被省略莲镣。
5 連接過濾
過濾連接與變異連接通過相同的方式匹配觀察值福稳，有兩種類型：
-
semi_join(x, y)將所有與y匹配的觀測(cè)值保存在x中。 -
anti_join(x, y)去掉x中與y匹配的所有觀察值瑞侮。
semi_join對(duì)于將過濾后的匯總表與原始行進(jìn)行匹配非常有用的圆。如flights數(shù)據(jù)中鼓拧，你需要找到了十大最受歡迎的目的地：
top_dest <- flights %>%
count(dest, sort = TRUE) %>%
head(10)
top_dest
#> # A tibble: 10 x 2
#> dest n
#> <chr> <int>
#> 1 ORD 17283
#> 2 ATL 17215
#> 3 LAX 16174
#> 4 BOS 15508
#> 5 MCO 14082
#> 6 CLT 14064
#> # … with 4 more rows
現(xiàn)在，您要查找飛往這些目的地中的每個(gè)航班越妈。通過filter過濾：
flights %>%
filter(dest %in% top_dest$dest)
#> # A tibble: 141,145 x 19
#> year month day dep_time sched_dep_time dep_delay arr_time sched_arr_time
#> <int> <int> <int> <int> <int> <dbl> <int> <int>
#> 1 2013 1 1 542 540 2 923 850
#> 2 2013 1 1 554 600 -6 812 837
#> 3 2013 1 1 554 558 -4 740 728
#> 4 2013 1 1 555 600 -5 913 854
#> 5 2013 1 1 557 600 -3 838 846
#> 6 2013 1 1 558 600 -2 753 745
#> # … with 141,139 more rows, and 11 more variables: arr_delay <dbl>,
#> # carrier <chr>, flight <int>, tailnum <chr>, origin <chr>, dest <chr>,
#> # air_time <dbl>, distance <dbl>, hour <dbl>, minute <dbl>, time_hour <dttm>
如果有多個(gè)變量時(shí)毁枯，這種方法就很復(fù)雜了。例如叮称，假設(shè)你找到了平均延遲最高的10天种玛。如何構(gòu)造使用年、月瓤檐、日將其匹配回航班的過濾器語(yǔ)句?
相反赂韵，您可以使用semi_join，它像變異連接一樣連接兩個(gè)表挠蛉，但不是添加新列祭示，而是只保留其中x匹配的行y：
flights %>%
semi_join(top_dest)
#> Joining, by = "dest"
#> # A tibble: 141,145 x 19
#> year month day dep_time sched_dep_time dep_delay arr_time sched_arr_time
#> <int> <int> <int> <int> <int> <dbl> <int> <int>
#> 1 2013 1 1 542 540 2 923 850
#> 2 2013 1 1 554 600 -6 812 837
#> 3 2013 1 1 554 558 -4 740 728
#> 4 2013 1 1 555 600 -5 913 854
#> 5 2013 1 1 557 600 -3 838 846
#> 6 2013 1 1 558 600 -2 753 745
#> # … with 141,139 more rows, and 11 more variables: arr_delay <dbl>,
#> # carrier <chr>, flight <int>, tailnum <chr>, origin <chr>, dest <chr>,
#> # air_time <dbl>, distance <dbl>, hour <dbl>, minute <dbl>, time_hour <dttm>
從圖形上看，semi_join()如下所示：
只有匹配的存在行才是重要的谴古；匹配哪個(gè)觀察并不重要质涛。這意味著過濾連接永遠(yuǎn)不會(huì)像變異連接那樣重復(fù)行：
semi_join()的反向操作是 anti_join()。 anti_join()保留沒有匹配的行：
anti_join()對(duì)于解決不匹配的連接很有用掰担。例如汇陆，在連接flights和planes，您可能想知道在planes中沒有匹配到flights項(xiàng)：
flights %>%
anti_join(planes, by = "tailnum") %>%
count(tailnum, sort = TRUE)
#> # A tibble: 722 x 2
#> tailnum n
#> <chr> <int>
#> 1 <NA> 2512
#> 2 N725MQ 575
#> 3 N722MQ 513
#> 4 N723MQ 507
#> 5 N713MQ 483
#> 6 N735MQ 396
#> # … with 716 more rows
6 集合操作
二個(gè)數(shù)據(jù)表的最后一種操作類型是集合操作带饱。一般來(lái)說毡代，我很少使用這些方法，但是當(dāng)您想要將單個(gè)復(fù)雜的過濾器分解成更簡(jiǎn)單的部分時(shí)勺疼，它們偶爾會(huì)很有用教寂。所有這些操作都與一個(gè)完整的行一起工作，比較每個(gè)變量的值执庐。它們期望x和y輸入具有相同的變量酪耕，并將觀察結(jié)果視為集合:
-
intersect(x, y): 只返回x和y中都有的觀察值。 -
union(x, y): 返回x和y中合并的觀察結(jié)果轨淌。 -
setdiff(x, y): 返回觀察結(jié)果在x中迂烁，但不在y中。
下面通過簡(jiǎn)單的數(shù)據(jù)來(lái)說明：
df1 <- tribble(
~x, ~y,
1, 1,
2, 1
)
df2 <- tribble(
~x, ~y,
1, 1,
1, 2
)
四種可能結(jié)果：
intersect(df1, df2)
#> # A tibble: 1 x 2
#> x y
#> <dbl> <dbl>
#> 1 1 1
# Note that we get 3 rows, not 4
union(df1, df2)
#> # A tibble: 3 x 2
#> x y
#> <dbl> <dbl>
#> 1 1 1
#> 2 2 1
#> 3 1 2
setdiff(df1, df2)
#> # A tibble: 1 x 2
#> x y
#> <dbl> <dbl>
#> 1 2 1
setdiff(df2, df1)
#> # A tibble: 1 x 2
#> x y
#> <dbl> <dbl>
#> 1 1 2
