R用0填充而不是NA的左外连接，同时在左表中保留有效的NA

Question

在两个数据表（dt1，dt2）上进行左外连接的最简单方法是什么桌子？

一个常见的答案，例如在 this thread 中，是使用 dplyr::left_join 或 data.table::merge 或 data.table 的 dt2[dt1] 键控列括号语法进行左外连接，然后简单地执行第二步将连接数据表中的所有 NA 值替换为 0。例如：

library(data.table);
dt1 <- data.table(x=c('a', 'b', 'c', 'd', 'e'), y=c(NA, 'w', NA, 'y', 'z'));
dt2 <- data.table(x=c('a', 'b', 'c'), new_col=c(1,2,3));
setkey(dt1, x);
setkey(dt2, x);
merged_tables <- dt2[dt1];
merged_tables[is.na(merged_tables)] <- 0;

这种方法必然假定dt1 中没有需要保留的有效NA 值。然而，正如您在上面的示例中看到的，结果是：

   x new_col y
1: a       1 0
2: b       2 w
3: c       3 0
4: d       0 y
5: e       0 z

但期望的结果是：

   x new_col y
1: a       1 NA
2: b       2 w
3: c       3 NA
4: d       0 y
5: e       0 z

在这种微不足道的情况下，可以替换new_col 中的所有元素替换语法，而不是使用data.table 的所有元素替换语法：

library(dplyr);
merged_tables <- mutate(merged_tables, new_col = ifelse(is.na(new_col), 0, new_col));

但是，这种方法对于合并了数十或数百个新列（有时具有动态创建的列名）的非常大的数据集并不实用。即使列名都是提前知道的，列出所有新列并在每个列上进行 mutate-style 替换也是非常难看的。

一定有更好的方法吗？如果dplyr::left_join、data.table::merge 或data.table 括号中的任何一个的语法很容易允许用户指定除NA 之外的fill 值，则该问题将得到简单解决。比如：

merged_tables <- data.table::merge(dt1, dt2, by="x", all.x=TRUE, fill=0);

data.table 的dcast 函数允许用户指定fill 值，所以我认为必须有一种更简单的方法来做到这一点，而我只是没有想到。

建议？

编辑：@jangorecki 在 cmets 中指出，当前在 data.table GitHug page 上打开了一个功能请求，以执行我刚才提到的操作，更新 nomatch=0 语法。应该在data.table的下一个版本中。

Answer 1

您能否使用列索引来仅引用新列，就像 left_join 一样，它们都将位于生成的 data.frame 的右侧？它将在 dplyr 中：

dt1 <- data.frame(x = c('a', 'b', 'c', 'd', 'e'),
                  y = c(NA, 'w', NA, 'y', 'z'),
                  stringsAsFactors = FALSE)
dt2 <- data.frame(x = c('a', 'b', 'c'),
                  new_col = c(1,2,3),
                  stringsAsFactors = FALSE)

merged <- left_join(dt1, dt2)
index_new_col <- (ncol(dt1) + 1):ncol(merged)
merged[, index_new_col][is.na(merged[, index_new_col])] <- 0

> merged
  x    y new_col
1 a <NA>       1
2 b    w       2
3 c <NA>       3
4 d    y       0
5 e    z       0

Answer 2

目前最干净的方法可能只是在左表 (dt1) 中使用要连接的值为中间表播种，链接 dt2 的合并，将 NA 值设置为 0，将中间表与 dt1 合并。完全可以用data.table完成，不依赖data.frame语法，中间步骤保证第二次合并不会有nomatchNA结果：

library(data.table);
dt1 <- data.table(x=c('a', 'b', 'c', 'd', 'e'), y=c(NA, 'w', NA, 'y', 'z'));
dt2 <- data.table(x=c('a', 'b', 'c'), new_col=c(1,2,3));
setkey(dt1, x);
setkey(dt2, x);
inter_table <- dt2[dt1[, list(x)]];
inter_table[is.na(inter_table)] <- 0;
setkey(inter_table, x);
merged <- inter_table[dt1];

> merged;
   x new_col  y
1: a       1 NA
2: b       2  w
3: c       3 NA
4: d       0  y
5: e       0  z

这种方法的好处是它不依赖于在右侧添加新列并保持在data.table 键控速度优化内。将答案归功于@SamFirke，因为他的解决方案也有效，并且在其他情况下可能更有用。

Answer 3

我偶然发现了与 dplyr 相同的问题，并编写了一个小函数来解决我的问题。 （解决方案需要 tidyr 和 dplyr）

left_join0 <- function(x, y, fill = 0L, ...){
  z <- left_join(x, y, ...)
  new_cols <- setdiff(names(z), names(x))
  z <- replace_na(z, setNames(as.list(rep(fill, length(new_cols))), new_cols))
  z
}