本文首发于民众号:“生信补给站” Tidyverse| XX_join :多个数据表(文件)之间的种种毗邻
前面分享了单个文件中的select列,filter行,列拆分等,现实中经常是多个数据表,综合使用才气回覆你所感兴趣的问题。
本次简朴的先容多个表(文件)毗邻的方式。
一 载入数据,R包
library(tidyverse)
x <- tribble(
~key, ~val_x,
1, "x1",
2, "x2",
3, "x3"
)
y <- tribble(
~key, ~val_y,
1, "y1",
2, "y2",
4, "y3"
)
二 合并数据
向数据框中加入新变量,新变量的值是另一个数据框中的匹配观察。
1 毗邻方式
1) 内毗邻 inner_join
内毗邻是最简朴的一种毗邻,只要两个观察的键是相等的,即可匹配。
注释:匹配在现实的毗邻操作中是用圆点示意的。圆点的数目 = 匹配的数目 = 效果中行的数目。下同
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
内毗邻最主要的性子是,没有匹配的行不会包含在效果中。容易丢失观察,慎用。
2) 外毗邻
外毗邻则保留至少存在于一个表中的观察。外毗邻有 3 种类型: • 左毗邻 left_join
:保留 x 中的所有观察。 • 右毗邻 right_join
:保留 y 中的所有观察 • 全毗邻 full_join
:保留 x 和 y 中的所有观察。
x %>%
left_join(y, by = "key")
# A tibble: 3 x 3
key val_x val_y
<dbl> <chr> <chr>
1 1 x1 y1
2 2 x2 y2
3 3 x3 <NA>
x %>%
right_join(y, by = "key")
# A tibble: 3 x 3
key val_x val_y
<dbl> <chr> <chr>
1 1 x1 y1
2 2 x2 y2
3 4 <NA> y3
x %>%
full_join(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 3 x3 <NA>
4 4 <NA> y3
2 重复键
以上均假设键具有唯一性,但情形并非总是云云。
若是x中的key变量,在y中有多个同样的key,那么所有的连系可能都市枚举出来
x1 <- tribble(
~key, ~val_x,
1, "x1",
2, "x2",
2, "x3",
1, "x4"
)
y1 <- tribble(
~key, ~val_y,
1, "y1",
2, "y2"
)
left_join(x1, y1, 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
3 界说毗邻键
1) 默认值 by = NULL
使用存在于两个表中的所有变量,这种方式称为自然毗邻。
left_join(x, y)
Joining, by = "key"
# A tibble: 3 x 3
key val_x val_y
<dbl> <chr> <chr>
1 1 x1 y1
2 2 x2 y2
3 3 x3 <NA>
2) 界说匹配键 by = c("a" = "b")
匹配 x 表中的 a 变量和 y 表中的 b 变量,输出效果中使用的是 x 表中的变量。
y_1 <- tribble(
~key2, ~val_y,
1, "y1",
2, "y2"
)
left_join(x, y_1, by = c("key" = "key2"))
# A tibble: 3 x 3
key val_x val_y
<dbl> <chr> <chr>
1 1 x1 y1
2 2 x2 y2
3 3 x3 <NA>
3) 多个匹配键
x2 <- tribble(
~key,~key1, ~val_x,
1, 2018,"x1",
2, 2019,"x2",
3, 2019,"x3"
)
y2 <- tribble(
~key, ~key1,~val_y,
1, 2018,"y1",
2, 2018,"y2",
4, 2019,"y3"
)
inner_join(x2,y2,by = c("key","key1"))
# A tibble: 1 x 4
key key1 val_x val_y
<dbl> <dbl> <chr> <chr>
1 1 2018 x1 y1
三 筛选毗邻
筛选毗邻匹配观察的方式与合并毗邻相同,但前者影响的是观察,而不是变量。筛选毗邻 有两种类型。
semi_join函数
-
保留 x 表中与 y 表中的观察相匹配的所有观察
semi_join(x, y, by = "key")
# A tibble: 2 x 2
key val_x
<dbl> <chr>
1 1 x1
2 2 x2
anti_join函数
-
抛弃 x 表中与 y 表中的观察相匹配的所有观察。
anti_join(x, y, by = "key")
# A tibble: 1 x 2
key val_x
<dbl> <chr>
1 3 x3
参考资料:
https://r4ds.had.co.nz/
《R数据科学》
【以为不错,右下角点个“在看”,期待您的转发,谢谢!】
,
www.slwgd.com欢迎进入欧博平台网站(Allbet Gaming),Allbet Gaming开放欧博平台网址、欧博注册、欧博APP下载、欧博客户端下载、欧博真人游戏(百家乐)等业务。
不外,此前安兔兔也曝光过华为P40系列的跑分成就。据悉,安兔兔在后台发现一台型号为ELS-AN00的华为装备,通过华为官网查询之后确认这正是华为P40 Pro,存储为8+128GB版本。其显示,华为P40 Pro的总分为482457,CPU成就为153441、GPU为173021、MEM成就85542、UX成就折算70453。从这个成就来看,P40系列和此前搭载麒麟990 5G平台的机型基本上保持一致。应该算中上水平