使用R进行数据匹配的方法-CDA数据分析师官网

使用R进行数据匹配的方法

2017-02-16

使用R进行数据匹配的方法

R中的merge函数类似于Excel中的Vlookup，可以实现对两个数据表进行匹配和拼接的功能。与Excel不同之处在于merge函数有4种匹配拼接模式，分别为inner，left，right和outer模式。其中inner为默认的匹配模式。本篇文章我们将介绍merge函数的使用方法和4种拼接模式的区别。

函数功能介绍

merge函数的使用方法很简单，以下是官方的函数功能介绍和使用说明。merge函数中第一个出现的数据表是拼接后的left部分，第二个出现的数据表是拼接后的right部分。merge默认会按照两个数据表中共有的字段名称进行匹配和拼接。

#查看merge帮助信息

merge

读取并创建数据表

开始使用merge函数进行数据拼接之前先读取需要进行匹配的两个数据表，并命名为loan_status表和member_info表。

#读取并创建贷款状态数据表

loan_status=data.frame(read.csv('loan_status.csv',header = 1))

#读取并创建用户信息数据表

member_info=data.frame(read.csv('member_info.csv',header = 1))

查看数据表

下面我们分别查看了两个数据表中的内容。这个示例中的两个数据表较小，可以完整显示出来，如果数据量较大的话可以就不能这么直观的查看了。

#查看贷款状态数据表

loan_status

#查看用户信息数据表

member_info

对于较大的数据表，可以使用dim函数查看数据表的维度，下面我们分别查看了贷款状态表和用户信息表的维度。贷款状态表有27行7列，用户信息表有25行4列。

#查看两个数据表的维度

dim(loan_status);dim(member_info)
[1] 27 7
[1] 25 4

使用names函数查看两个数据表的列名称，下面分别显示了代码和列名称。可以发现，两个数据表中有一个共同的列member_id。

#查看两个数据表的列名称

names(loan_status);names(member_info)
[1] "member_id" "loan_amnt" "term""issue_d" "loan_status" "total_pymnt_inv" "total_rec_int"
[1] "member_id" "grade" "emp_length" "annual_inc"

inner匹配

inner模式是merge的默认匹配模式，我们通过下面的文氏图来说明inner的匹配方法。Inner模式提供在loan_status和member_info表中共有字段的匹配结果。也就是对两个的表交集部分进行匹配和拼接。单独只出现在一个表中的字段值不会参与匹配和拼接。从下面的匹配结果中也可以看出，共有22行，包含了loan_status和member_info的交集。

#inner模式匹配

merge(loan_status,member_info,by = 'member_id')

outer匹配

outer模式是两个表的汇总，将loan_status和member_info两个要匹配的两个表汇总在一起，生成一张汇总的唯一值数据表以及匹配结果。从结果中可以看出共包含30行数据，比两个表的行数都要多。并且在grade和其他字段包含Na值，这些是在两个表中匹配不到的内容。

#outer模式匹配

merge(loan_status,member_info,all=TRUE,sort=TRUE)

left匹配

left模式是左匹配，以左边的数据表loan_status为基础匹配右边的数据表member_info中的内容。匹配不到的内容以NaN值显示。在Excel中就好像将Vlookup公式写在了左边的表中。下面的文氏图说明了left模式的匹配方法。Left模式匹配的结果显示了所有左边数据表的内容，以及和右边数据表共有的内容。

以下为使用left模式匹配并拼接后的结果，loan_status在merge函数中第一个出现，因此为左表，member_grade第二个出现，为右表。匹配模式为all.x=TRUE。从结果中可以看出left匹配模式保留了一张完整的loan_status表，以此为基础对member_info表中的内容进行匹配。loan_status表中有5个member_id值在member_info中无法找到，因此grade字段显示为NA值。