查找数据帧的补码（反连接）答案

【问题标题】：Find complement of a data frame (anti - join)查找数据帧的补码（反连接）
【发布时间】：2021-12-25 19:21:21
【问题描述】：

我有两个数据框（df 和 df1）。 df1 是 df 的子集。我想得到一个数据框，它是 df 中 df1 的补码，即返回第一个数据集中在第二个数据集中不匹配的行。比如让，

数据框df：

heads
row1
row2
row3
row4
row5

数据框df1：

heads
row3
row5

那么想要的输出df2是：

heads
row1
row2
row4

【问题讨论】：

标签： r join merge r-faq

【解决方案1】：

迟到的答案，但对于另一种选择，我们可以尝试使用sqldf 包进行正式的 SQL 反连接：

library(sqldf)
sql <- "SELECT t1.heads
        FROM df t1 LEFT JOIN df1 t2
            ON t1.heads = t2.heads
        WHERE t2.heads IS NULL"
df2 <- sqldf(sql)

sqldf 包对于使用 SQL 逻辑很容易表达但使用基本 R 或其他 R 包可能不太容易表达的问题很有用。

【讨论】：

【解决方案2】：

您还可以使用data.tables 二进制连接进行某种类型的反连接

library(data.table)
setkey(setDT(df), heads)[!df1]
#    heads
# 1:  row1
# 2:  row2
# 3:  row4

编辑：开始 data.table v1.9.6+ 我们可以在使用on时加入 data.tables 而无需设置键

setDT(df)[!df1, on = "heads"]

EDIT2: 开始 data.table v1.9.8+ fsetdiff 被引入，它基本上是上述解决方案的变体，只是在所有列名之上xdata.table，例如x[!y, on = names(x)]。如果all 设置为FALSE（默认行为），则只会返回x 中的唯一行。对于每个data.table中只有一列的情况，以下将等效于以前的解决方案

fsetdiff(df, df1, all = TRUE)

【讨论】：

我喜欢设置键后使用merge[df,df2]。这个操作的逆运算是什么？
@HermanToothrot 答案实际上是df[!df2]，这与您所写的相反
如果on中的键名不同怎么办？
@JdeMello 您可以指定不同的键 - 请参阅 ?data.table 在“参数”部分查找 on。
AFAIK fsetdiff(all=T) 无济于事，它将整行视为元素并减去重复行的数量。 X=1,1,1,1; Y=1,1；然后它给出两行，因为 4-2=2。 Antijoin 将给出 0。

【解决方案3】：

dplyr 也有 setdiff() 可以为您提供

setdiff(bigFrame, smallFrame) 为您获取第一个表中的额外记录。

所以对于 OP 的示例，代码将显示为 setdiff(df, df1)

dplyr 有很多很棒的功能：有关快速简便的指南，请参阅here.

【讨论】：

它是否像反连接那样处理重复？
在dplyr.tidyverse.org/reference/setops.html 中，setdiff 管理重复项。
我打开了链接，我可以看到“注意 intersect()、union() 和 setdiff() 删除重复项”
反连接保留 LHS 上的重复行，忽略 RHS 上的重复行。我所说的行是指我们加入的列。
另一方面 data.table setops 管理重复，但它仍然不是反连接，rdatatable.gitlab.io/data.table/reference/setops.html

【解决方案4】：

通过操作plyr 包的match_df 的代码来创建函数negate_match_df 的另一种选择。

library(plyr)
negate_match_df <- function (x, y, on = NULL) 
{
if (is.null(on)) {
    on <- intersect(names(x), names(y))
    message("Matching on: ", paste(on, collapse = ", "))
}
keys <- join.keys(x, y, on)
x[!keys$x %in% keys$y, , drop = FALSE]
}

数据

df <- read.table(text ="heads
row1
row2
row3
row4
row5",header=TRUE)

df1 <- read.table(text ="heads
row3
row5",header=TRUE)

输出

negate_match_df(df,df1)

【讨论】：

【解决方案5】：

另一种选择，使用基础 R 和 setdiff 函数：

df2 <- data.frame(heads = setdiff(df$heads, df1$heads))

setdiff 的功能与您想象的完全一样；将两个参数作为集合，并从第一个中删除第二个中的所有项目。

我发现 setdiff 更易读 tahtn %in% 并且不想在我不需要时不需要额外的库，但你使用哪个答案很大程度上是个人品味的问题。

【讨论】：

setdiff 和 %in% 的功能几乎相同。
@DavidArenburg- 同意，这就是为什么我认为这只是易读性和品味的问题。
@DavidArenburg，那个函数是match。
@MaratTalipov 我知道，这就是我的暗示

【解决方案6】：

尝试%in% 命令并使用! 反转它

df[!df$heads %in% df1$heads,]

【讨论】：

支持基本 R 解决方案，尽管它可能不是这里最快的解决方案。
如果我想进行反连接并有多个键/列，语法是什么样的？
@Blind0ne：您可以使用interaction 或paste 反连接多个键。 key <- c("colName1", "colName2"); df[!interaction(df[key]) %in% interaction(df1[key]),]

【解决方案7】：

从dplyr 尝试anti_join

library(dplyr)
anti_join(df, df1, by='heads')

【讨论】：