使用 dplyr 合并数据集和合并列 R答案

【问题标题】：Using dplyr to merge datasets and consolidate columns R使用 dplyr 合并数据集和合并列 R
【发布时间】：2021-08-10 00:54:20
【问题描述】：

我有两个要合并的数据集。它们不是完整的数据集，因此这意味着个人缺少记录。

这里是data1（示例是我真实数据的一个子集）：

  squirrel_id   age ageclass trialdate   year   OFT1  MIS1
        10342     1 Y        2008-05-19  2008  0.605 -4.19
        10342     2 A        2009-05-31  2009 -1.85   1.14
        10342     3 A        2010-05-22  2010 -2.39   2.38

这里是data2（示例是我真实数据的一个子集）：

   squirrel_id focal_age focal_ageclass focal_date focal_yr     PC1     PC2
         10342         1 Y              2008-07-14     2008    0.0932 -2.67  
         10342         3 A              2010-03-13     2010   -2.38    0.216 
         10342         3 A              2010-04-20     2010    0.0203  1.80

我正在尝试做两件事：

合并这两个数据集，以便在记录不完整时保留 NA（即，data1 在 age==3 有 1 条记录，而 data2 在 age==3 有 2 条记录）
合并列以使数据集更加精简（即数据集中不同名称的列代表相同的事物：age==focal_age、ageclass==focal_ageclass、trialnumber==focalseq、ageclass==focal_ageclass、year==focal_yr）

所需的输出 - 我正在尝试得到一个看起来像这样的最终数据集（对于 age==3，data1 记录只显示一次，而不是两次）：

  squirrel_id   age ageclass date       year   OFT1  MIS1   PC1      PC2
        10342     1 Y        2008-05-19 2008  0.605 -4.19   NA       NA 
        10342     1 Y        2008-07-14 2008  NA     NA     0.0932  -2.67
        10342     2 A        2009-05-31 2009 -1.85   1.14   NA       NA
        10342     3 A        2010-05-22 2010 -2.39   2.38   NA       NA    
        10342     3 A        2010-03-13 2010  NA     NA    -2.38    0.216
        10342     3 A        2010-04-20 2010  NA     NA     0.0203  1.80

我可以通过以下方式进入这里：

data3<-full_join(data1, data2, 
        by=c("squirrel_id"="squirrel_id", 
                    "year"="focal_yr", 
                     "age"="focal_age", 
                "ageclass"="focal_ageclass"))

但这会重复 age==3 的 age==3 的 data2 中的 age==3 行的 data1 值（而不是仅匹配第一行），给出此（不需要）输出：

 squirrel_id   age ageclass trialdate   focal_date year   OFT1  MIS1   PC1      PC2
        10342     1 Y        2008-05-19  2008-07-14 2008  0.605 -4.19   0.0932  -2.67 
        10342     2 A        2009-05-31  NA         2009 -1.85   1.14   NA       NA
        10342     3 A        2010-05-22  2010-03-13 2010 -2.39   2.38   -2.38    0.216
        10342     3 A        2010-05-22  2010-04-20 2010 -2.39   2.38    0.0203  1.80

更新的问题： 在执行full_join 时，如何让匹配记录为所有行添加 NA？ 请注意，我宁愿使用 dplyr 解决方案，因为我不在data.table 工作（就像this OP 的答案），我想保留不匹配的行（不像this other OP）。

【问题讨论】：

标签： r dplyr merge subset consolidation

【解决方案1】：

这是data.table 方法

样本数据

library(data.table)
data1 <- fread("squirrel_id   age ageclass trialdate   year   OFT1  MIS1
10342     1 Y        2008-05-19  2008  0.605 -4.19
10342     2 A        2009-05-31  2009 -1.85   1.14
10342     3 A        2010-05-22  2010 -2.39   2.38")

data2 <- fread("squirrel_id focal_age focal_ageclass focal_date focal_yr     PC1     PC2
         10342         1 Y              2008-07-14     2008    0.0932 -2.67  
         10342         3 A              2010-03-13     2010   -2.38    0.216 
         10342         3 A              2010-04-20     2010    0.0203  1.80 ")

代码

# Assuming the first five columns can be rowbound without problem,
# melt them to long
L <- lapply(list(data1, data2), melt, id.vars = 1:5)

#    squirrel_id age ageclass  trialdate year variable  value
# 1:       10342   1        Y 2008-05-19 2008     OFT1  0.605
# 2:       10342   2        A 2009-05-31 2009     OFT1 -1.850
# 3:       10342   3        A 2010-05-22 2010     OFT1 -2.390
# 4:       10342   1        Y 2008-05-19 2008     MIS1 -4.190
# 5:       10342   2        A 2009-05-31 2009     MIS1  1.140
# 6:       10342   3        A 2010-05-22 2010     MIS1  2.380
# 
# [[2]]
#    squirrel_id focal_age focal_ageclass focal_date focal_yr variable   value
# 1:       10342         1              Y 2008-07-14     2008      PC1  0.0932
# 2:       10342         3              A 2010-03-13     2010      PC1 -2.3800
# 3:       10342         3              A 2010-04-20     2010      PC1  0.0203
# 4:       10342         1              Y 2008-07-14     2008      PC2 -2.6700
# 5:       10342         3              A 2010-03-13     2010      PC2  0.2160
# 6:       10342         3              A 2010-04-20     2010      PC2  1.8000

# Rowbind, ignore columnnames
DT <- data.table::rbindlist(L, use.names = FALSE, fill = FALSE)
#    squirrel_id age ageclass  trialdate year variable   value
# 1:       10342   1        Y 2008-05-19 2008     OFT1  0.6050
# 2:       10342   2        A 2009-05-31 2009     OFT1 -1.8500
# 3:       10342   3        A 2010-05-22 2010     OFT1 -2.3900
# 4:       10342   1        Y 2008-05-19 2008     MIS1 -4.1900
# 5:       10342   2        A 2009-05-31 2009     MIS1  1.1400
# 6:       10342   3        A 2010-05-22 2010     MIS1  2.3800
# 7:       10342   1        Y 2008-07-14 2008      PC1  0.0932
# 8:       10342   3        A 2010-03-13 2010      PC1 -2.3800
# 9:       10342   3        A 2010-04-20 2010      PC1  0.0203
#10:       10342   1        Y 2008-07-14 2008      PC2 -2.6700
#11:       10342   3        A 2010-03-13 2010      PC2  0.2160
#12:       10342   3        A 2010-04-20 2010      PC2  1.8000

# Cast to wide again
dcast(DT, ... ~ variable, value.var = "value")
#    squirrel_id age ageclass  trialdate year   OFT1  MIS1     PC1    PC2
# 1:       10342   1        Y 2008-05-19 2008  0.605 -4.19      NA     NA
# 2:       10342   1        Y 2008-07-14 2008     NA    NA  0.0932 -2.670
# 3:       10342   2        A 2009-05-31 2009 -1.850  1.14      NA     NA
# 4:       10342   3        A 2010-03-13 2010     NA    NA -2.3800  0.216
# 5:       10342   3        A 2010-04-20 2010     NA    NA  0.0203  1.800
# 6:       10342   3        A 2010-05-22 2010 -2.390  2.38      NA     NA

【讨论】：

知道为什么在我运行 dcast(DT, ... ~ variable, value.var = "value") 行后 R 将我抛出 Aggregate function missing, defaulting to 'length' 作为错误吗？
yes.. 这表明您在某些行上有多个值，每个 OFT/MSI/PC!/PC2... 它的默认长度显示您拥有的值的数量，而不是实际值。