R重复连接功能

Question

当我有重复值并想保留第一个值时，我在使用 dplyr 的连接函数时遇到了问题，因此我决定编写自己的函数。如果有一个功能已经这样做了，请告诉我！它可能写得更好，更有效。

这是带有一些示例数据的代码：

dt1 <- data.table(A = c(rep(1, 3), rep(2, 3)), B = rep(1:3, 2),
                  C = runif(n = 6, min = 0, max = 10))
dt2 <- data.table(A = c(rep(3, 3), rep(4, 3)), B = rep(1:3, 2),
                  C = runif(n = 6, min = 0, max = 10))
dt3 <- data.table(A = c(rep(3, 3), rep(4, 3)), B = rep(1:3, 2),
                  D = runif(n = 6, min = 0, max = 10))
dt4 <- data.table(A = c(rep(2, 3), rep(3, 3)), B = rep(1:3, 2),
                  D = runif(n = 6, min = 0, max = 10))

dt5 <- duplicate_join(dt1, dt2)
dt6 <- duplicate_join(dt5, dt3)
dt7 <- duplicate_join(dt6, dt4)

duplicate_join <- function(dt1, dt2) {

  melt1 <- dt1 %>%
    gather(variable, value, -c(A, B), na.rm = TRUE)
  melt2 <- dt2 %>%
    gather(variable, value, -c(A, B), na.rm = TRUE)

  join <- rbindlist(list(melt1, melt2), use.names = TRUE) %>%
    distinct(A, B, variable, .keep_all = TRUE) %>%
    spread(variable, value)
  join
}

我的问题是让用户决定收集哪些列并检查重复值。在这种情况下，将A 和B 变成一个通用表达式。我已经阅读了Functions、Capturing Un-evaluated Dots，并查看了一些执行此操作的函数的源代码 (ggplot)，但没有任何意义。我尝试了很多技术并得到错误object 'A' not found 或invalid argument to unary operator。

函数调用是否对我来说无关紧要：

duplicate_join <- function(dt1, dt2, ...) {}

或者：

duplicate_join <- function(dt1, dt2, cols) {}

我只需要知道如何让... 或cols 在函数内工作！谢谢！

Answer 1

你正在寻找来自 Dplyr 包的 Semi Join

说明：

semi_join(x, y)：返回 x 中在 y 中有匹配值的所有行，只保留 x 中的列。半连接与内连接不同，因为内连接将为 y 的每个匹配行返回一行 x，其中半连接永远不会复制 x 的行。这是一个过滤连接。

在此处使用您的代码是 semi_join 的示例：

#Semi Joining by equality of "B" Columns, Keeping dt1, 
#if you want to keep dt2, just change the parameters order
dt4 <- semi_join(dt1, dt2, by = c("B" = "B"))

Output:

  A B         C
1 1 1 5.3330819
2 2 1 0.1652472
3 1 2 4.6283878
4 2 2 1.5570931
5 1 3 9.6967720
6 2 3 1.1587919

#Semi Joining: Multiple Columns
dt5 <- semi_join(dt1, dt2, by = c("A" = "A", "B" = "B"))
#No output, there's no rows that satisfy "A" = "A" and "B" = "B"