按ID合并R中的两个Dataframe，一个是另一个的子集答案

【问题标题】：Merging two Dataframes in R by ID, One is the subset of the other按ID合并R中的两个Dataframe，一个是另一个的子集
【发布时间】：2017-10-18 07:16:44
【问题描述】：

我在 R 中有 2 个数据框：带有 175 个变量的“dfold”和带有 75 个变量的“dfnew”。 2 个数据帧由主键（即“pid”）匹配。 dfnew 是 dfold 的子集，因此 dfnew 中的所有变量也在 dfold 上，但具有更新的估算值（不再有 NA）。同时 dfold 有更多的变量，我在分析阶段需要它们。我想合并 dfmerge 中的 2 个数据框，以便从 dfnew --> dfold 更新公共变量，但同时在 dfold 中保留预先存在的变量。我已经尝试过 merge()、match()、dplyr 和 sqldf 包，但要么我获得了一个仅包含更新的 75 个变量（左连接）的 dfmerge，要么获得了一个包含 250 个变量的 dfmerge（带有 NA 的旧变量和没有它们的新变量共存)。我发现（here）的唯一方法是一个优雅但相当长（10 行）的循环，它在 pid 与 all.x = TRUE 选项合并后消除 *.x 变量）。如果可以的话，您能否建议一种更有效的方法来获得这样的结果？

提前谢谢你

P.S：为了让事情更简单，我创建了 dfold 和 dfnew 的最小版本：dfnew 现在有 3 个变量，没有 NA，而 dfold 有 5 个变量，包括 NA。这是数据帧结构

折叠：

structure(list(Country = structure(c(1L, 3L, 2L, 3L, 2L), .Label = c("France", 
"Germany", "Spain"), class = "factor"), Age = c(44L, 27L, 30L, 
38L, 40L), Salary = c(72000L, 48000L, 54000L, 61000L, NA), Purchased = structure(c(1L, 
2L, 1L, 1L, 2L), .Label = c("No", "Yes"), class = "factor"), 
    pid = 1:5), .Names = c("Country", "Age", "Salary", "Purchased", 
"pid"), row.names = c(NA, 5L), class = "data.frame")

dfnew:

structure(list(Age = c(44, 27, 30), Salary = c(72000, 48000, 
54000), pid = c(1, 2, 3)), .Names = c("Age", "Salary", "pid"), row.names = c(NA, 
3L), class = "data.frame")

虽然这里的问题仅限于 2 个变量请注意，实际场景将涉及 75 个变量。

【问题讨论】：

你能提供一些有意义的样本数据吗？在 dfold-subsample 中可能每个数据框有 10 行，其中包含 5 个公共变量和另外 5 个其他变量？
肯定会很乐意这样做，但不确定如何在此处附加数据，有什么提示吗？
最好的方法是在子集上使用dput() 命令，如上所述，类似于dput(dfold[1:10, 1:10]) 和dput(dfnew[1:10, 1:5])（您可能需要更改列索引以获得5常见和 5 个不常见的变量）。然后将R 控制台的输出（通常以structure(... 开头）粘贴到您的问题文本中。
好的，在原帖中编辑，谢谢 :) 我刚刚让事情变得更容易，但 dfold 和 dfnew 应该仍然有效
我将自己重新创建它，但最佳情况下dfnew 应该包括所有 5 行，尤其是在 Salary 列中具有 NA 值的行。

标签： r dataframe merge

【解决方案1】：

好的，此解决方案假定您实际上并不需要合并，而只想使用 dfnew 中的估算值更新您的 dfold 中的 NA 值。

> dfold
  Country Age Salary Purchased pid
1  France  NA  72000        No   1
2   Spain  27  48000       Yes   2
3 Germany  30  54000        No   3
4   Spain  38  61000        No   4
5 Germany  40     NA       Yes   5

> dfnew
  Age Salary pid
1  44  72000   1
2  27  48000   2
3  30  54000   3
4  38  61000   4
5  40  70000   5

要对单个列执行此操作，请尝试

dfold$Salary <- ifelse(is.na(dfold$Salary), dfnew$Salary[dfnew$pid == dfold$pid], dfold$Salary)

> dfold
  Country Age Salary Purchased pid
1  France  NA  72000        No   1
2   Spain  27  48000       Yes   2
3 Germany  30  54000        No   3
4   Spain  38  61000        No   4
5 Germany  40  70000       Yes   5

在整个数据集上使用它有点棘手：

首先定义除pid之外的所有常用列名：

cols <- names(dfnew)[names(dfnew) != "pid"]

> cols
[1] "Age"    "Salary"

现在使用mapply 将NA 值替换为ifelse：

dfold[,cols] <- mapply(function(x, y) ifelse(is.na(x), y[dfnew$pid == dfold$pid], x), dfold[,cols], dfnew[,cols])

> dfold
  Country Age Salary Purchased pid
1  France  44  72000        No   1
2   Spain  27  48000       Yes   2
3 Germany  30  54000        No   3
4   Spain  38  61000        No   4
5 Germany  40  70000       Yes   5

这假定dfnew 仅包括dfold 中存在的列。如果不是这种情况，请使用

cols <- names(dfnew)[which(names(dfnew) %in% names(dfold))][names(dfnew) != "pid"]

【讨论】：

伟大而优雅的解决方案 LAP，刚刚在整个真实数据集上进行了测试，并且工作得像冠军：)
只是为了适当地结束主题并供将来参考：您认为不能使用合并或 JOIN 查询执行相同的操作？
参考 Stackoverflow 上的不同问题后，我很确定这不能通过简单的合并或连接来完成。您要么需要事先定义要覆盖的单元格，要么删除之后不必要地创建的.x/.y 变量。参考this thread。
完美，事实上我在原始帖子中提到的循环就是这样：删除合并后创建的 .x（不必要的）。再次感谢您花费的时间和支持。