合并和 dplyr 的 left_join 的意外行为

Question

我注意到基础R 中的merge 函数以及dplyr 的left_join 函数出现意外行为。 以下是数据的最小示例：

df1 <- read.table(text="serialno   var1 pos_var1
1       C001        NA       NA
2       C002        NA       NA
3       C003 0.1790000        1
4       C004        NA       NA
5       C007 0.0645000        1
6       C010 0.3895000        1
11      C016 0.2805000        1
12      C017 0.7805001        1", header=T, stringsAsFactors=F)

df1
serialno      var1  pos_var1
1      C001        NA       NA
2      C002        NA       NA
3      C003 0.1790000        1
4      C004        NA       NA
5      C007 0.0645000        1
6      C010 0.3895000        1
11     C016 0.2805000        1
12     C017 0.7805001        1

df2 <- read.table(text="serialno   var1  var2
1      C003 0.1790 1.1305
2      C007 0.0645 0.2985
3      C010 0.3895 0.1705
4      C016 0.1740 0.3980
5      C017 0.4840 0.3375", header=T, stringsAsFactors=F)

df2
serialno   var1     var2
1     C003 0.1790 1.1305
2     C007 0.0645 0.2985
3     C010 0.3895 0.1705
4     C016 0.1740 0.3980
5     C017 0.4840 0.3375

left_join(df1,df2)
Joining by: c("serialno", "var1")
serialno      var1 pos_var1  var2
1     C001        NA       NA     NA
2     C002        NA       NA     NA
3     C003 0.1790000        1 1.1305
4     C004        NA       NA     NA
5     C007 0.0645000        1 0.2985
6     C010 0.3895000        1 0.1705
7     C016 0.2805000        1     NA
8     C017 0.7805001        1     NA

我预计 var2 的最后两个值是 0.3980 和 0.3375 而不是 NAs。 我得到与merge 类似的结果：

merge(df1,df2, all.x=T)
serialno      var1 pos_var1  var2
1     C001        NA       NA     NA
2     C002        NA       NA     NA
3     C003 0.1790000        1 1.1305
4     C004        NA       NA     NA
5     C007 0.0645000        1 0.2985
6     C010 0.3895000       NA 0.1705
7     C016 0.2805000        1     NA
8     C017 0.7805001        1     NA

但是，当我在两个数据帧中省略变量var1（注意两个数据帧中的var1 变量除了小数点外是相同的）时，问题就解决了：

left_join(df1[,-2],df2[,-2])
Joining by: "serialno"
serialno pos_var1  var2
1     C001       NA     NA
2     C002       NA     NA
3     C003        1 1.1305
4     C004       NA     NA
5     C007        1 0.2985
6     C010       NA 0.1705
7     C016        1 0.3980
8     C017        1 0.3375

因此，问题似乎是由冲突的var1 引起的，但我希望连接中第一个指定的数据框中的var1 覆盖第二个数据框中的var1 而不会产生任何副作用。

如果有任何关于如何克服这个问题的建议，或者关于这个问题是否值得解决的问题，我将不胜感激？ 我四处寻找解决类似问题的相关帖子，但它们没有解决我的具体问题。特别是，这些帖子的问题是由于类型差异，例如如果第一个数据框中的一个变量是字符，而另一个数据框中的相应变量是一个因子，或者如果一个是整数而另一个是数字，例如 Incorrect behavior with dplyr's left_join?

Answer 1

跟进上述有用的 cmets

如果您没有提及要使用left_join() 或merge() 数据框的列名，则将考虑所有具有通用列名的列。

您在 var2 列的最后两个位置得到 NA，因为这两个函数都使用 serialno 和 var1 列合并数据帧（在 df1 和 df2 之间常见），并且 df1 和 df2 中 var1 列的所有值都不匹配。

因此，如果您愿意合并两个数据框，最好提及您需要合并或加入的列名

你的情况

# using merge()
merge(df1, df2, by = c('serialno'), all.x=T)

#> merge(df1,df2, by = c('serialno'), all.x=T)
#serialno    var1.x pos_var1 var1.y   var2
#1     C001        NA       NA     NA     NA
#2     C002        NA       NA     NA     NA
#3     C003 0.1790000        1 0.1790 1.1305
#4     C004        NA       NA     NA     NA
#5     C007 0.0645000        1 0.0645 0.2985
#6     C010 0.3895000        1 0.3895 0.1705
#7     C016 0.2805000        1 0.1740 0.3980
#8     C017 0.7805001        1 0.4840 0.3375

# using left_join()
left_join(df1, df2, by = c("serialno"))

#> left_join(df1, df2, by = c("serialno"))
#serialno    var1.x pos_var1 var1.y   var2
#1     C001        NA       NA     NA     NA
#2     C002        NA       NA     NA     NA
#3     C003 0.1790000        1 0.1790 1.1305
#4     C004        NA       NA     NA     NA
#5     C007 0.0645000        1 0.0645 0.2985
#6     C010 0.3895000        1 0.3895 0.1705
#7     C016 0.2805000        1 0.1740 0.3980
#8     C017 0.7805001        1 0.4840 0.3375