本文首发于公众号：“生信补给站” Tidyverse| XX_join ：多个数据表（文件）之间的各种连接

前面分享了单个文件中的select列，filter行，列拆分等，实际中经常是多个数据表，综合使用才能回答你所感兴趣的问题。

本次简单的介绍多个表（文件）连接的方法。

一 载入数据，R包

library(tidyverse) x <- tribble(   ~key, ~val_x,      1, "x1",      2, "x2",      3, "x3" ) y <- tribble(   ~key, ~val_y,      1, "y1",      2, "y2",      4, "y3" )

 

二 合并数据

向数据框中加入新变量，新变量的值是另一个数据框中的匹配观测。

 

1 连接方式

1） 内连接 inner_join

内连接是最简单的一种连接，只要两个观测的键是相等的，即可匹配。

 

注释：匹配在实际的连接操作中是用圆点表示的。圆点的数量 = 匹配的数量 = 结果中行的数量。下同

x %>%   inner_join(y, by = "key") # A tibble: 2 x 3      key val_x val_y    <dbl> <chr> <chr>  1     1 x1    y1    2     2 x2    y2

内连接最重要的性质是，没有匹配的行不会包含在结果中。容易丢失观测，慎用。

 

2） 外连接

外连接则保留至少存在于一个表中的观测。外连接有 3 种类型： • 左连接 left_join：保留 x 中的所有观测。 • 右连接 right_join：保留 y 中的所有观测 • 全连接 full_join：保留 x 和 y 中的所有观测。

x %>% left_join(y, by = "key") # A tibble: 3 x 3     key val_x val_y   <dbl> <chr> <chr> 1     1 x1    y1   2     2 x2    y2   3     3 x3    <NA> 

x %>% right_join(y, by = "key") # A tibble: 3 x 3     key val_x val_y   <dbl> <chr> <chr> 1     1 x1    y1   2     2 x2    y2   3     4 <NA>  y3 

x %>% full_join(y, by = "key") # A tibble: 4 x 3     key val_x val_y   <dbl> <chr> <chr> 1     1 x1    y1   2     2 x2    y2   3     3 x3    <NA> 4     4 <NA>  y3 

 

 

2 重复键

以上均假设键具有唯一性，但情况并非总是如此。

如果x中的key变量，在y中有多个同样的key，那么所有的结合可能都会罗列出来

x1 <- tribble(   ~key, ~val_x,      1, "x1",      2, "x2",      2, "x3",      1, "x4" ) y1 <- tribble(   ~key, ~val_y,      1, "y1",      2, "y2" ) left_join(x1, y1, by = "key")  # A tibble: 4 x 3      key val_x val_y    <dbl> <chr> <chr>  1     1 x1    y1    2     2 x2    y2    3     2 x3    y2    4     1 x4    y1

 

3 定义连接键

1) 默认值 by = NULL

使用存在于两个表中的所有变量，这种方式称为自然连接。

left_join(x, y) Joining, by = "key" # A tibble: 3 x 3     key val_x val_y   <dbl> <chr> <chr> 1     1 x1    y1   2     2 x2    y2   3     3 x3    <NA> 

 

2) 定义匹配键 by = c("a" = "b")

匹配 x 表中的 a 变量和 y 表中的 b 变量，输出结果中使用的是 x 表中的变量。

y_1 <- tribble(   ~key2, ~val_y,      1, "y1",      2, "y2" ) left_join(x, y_1, by = c("key" = "key2")) # A tibble: 3 x 3     key val_x val_y   <dbl> <chr> <chr> 1     1 x1    y1   2     2 x2    y2   3     3 x3    <NA> 

 

3) 多个匹配键

x2 <- tribble(   ~key,~key1, ~val_x,      1, 2018,"x1",      2, 2019,"x2",      3, 2019,"x3" ) y2 <- tribble(   ~key, ~key1,~val_y,      1, 2018,"y1",      2, 2018,"y2",      4, 2019,"y3" ) inner_join(x2,y2,by = c("key","key1")) # A tibble: 1 x 4     key  key1 val_x val_y   <dbl> <dbl> <chr> <chr> 1     1  2018 x1    y1   

 

三 筛选连接

筛选连接匹配观测的方式与合并连接相同，但前者影响的是观测，而不是变量。筛选连接 有两种类型。

semi_join函数

• 
  

  
  保留 x 表中与 y 表中的观测相匹配的所有观测
  

  
  

semi_join(x, y, by = "key") # A tibble: 2 x 2     key val_x   <dbl> <chr> 1     1 x1   2     2 x2

 

anti_join函数

• 
  

  
  丢弃 x 表中与 y 表中的观测相匹配的所有观测。
  

  
  

 

anti_join(x, y, by = "key") # A tibble: 1 x 2     key val_x   <dbl> <chr> 1     3 x3 

 

参考资料：

https://r4ds.had.co.nz/

《R数据科学》