合并多列会导致奇怪的排序答案

【问题标题】：Merge on multiple columns results in strange ordering合并多列会导致奇怪的排序
【发布时间】：2016-04-17 07:30:13
【问题描述】：

当两个数据框按数字列合并时（默认情况下）它们按该列排序作为数字。但是，如果将两个数字列用作by，那么它会导致不同的排序（实际上，数字列似乎被转换为字符串并如此排序）。这是预期的还是错误？

例如，考虑以下两个数据框：

A <- data.frame(a = 1:12, b = 1, x = runif(12))
B <- data.frame(a = 1:12, b = 1, y = runif(12))

然后，merge(A, B, by = 'a') 会生成一个数据框，其中包含 a 列，其值为 1、2、...、9、10、11、12（即预期的数字顺序）。然而，merge(A, B, by = c('a', 'b')) 会生成一个数据框，其中的列 a 的值为 1、10、11、12、2、3、...、8、9（即，与 sort(as.character(1:12)) 的排序相同）。

【问题讨论】：

抑制合并merge(A, B, by = c('a', 'b'), sort=F)中的排序功能
我的问题竟然和stackoverflow.com/questions/14981849/…一样

标签： r sorting merge

【解决方案1】：

我猜它是一个功能而不是merge 的错误。

查看merge的源代码发现，在多列合并的情况下，'key'列在内部通过paste()组合成一个向量。

例如，数据框A 中的列a 和b 将由字符串"1\r1" "2\r1" "3\r1" "4\r1" "5\r1" "6\r1" "7\r1" "8\r1" "9\r1" "10\r1" "11\r1" "12\r1" 表示。

merge 使用此字符串对生成的数据框进行排序，这就是它以字母顺序结束的方式。

仅按一列合并的情况下，不需要使用paste，因此使用该列的原始类型进行排序。

这里是merge的相关源码（在R控制台不带括号运行merge.data.frame可以得到全文）

    if (l.b == 1L) {
        bx <- x[, by.x]
        if (is.factor(bx)) 
            bx <- as.character(bx)
        by <- y[, by.y]
        if (is.factor(by)) 
            by <- as.character(by)
    }
    else {
        if (!is.null(incomparables)) 
            stop("'incomparables' is supported only for merging on a single column")
        bx <- x[, by.x, drop = FALSE]
        by <- y[, by.y, drop = FALSE]
        names(bx) <- names(by) <- paste0("V", seq_len(ncol(bx)))
        bz <- do.call("paste", c(rbind(bx, by), sep = "\r"))
        bx <- bz[seq_len(nx)]
        by <- bz[nx + seq_len(ny)]
    }

【讨论】：

谢谢。您的 cmets（和来源）完全解释了该行为。我同意这可能不是一个错误，因为merge 的文档对于行为应该是什么并不完全清楚（帮助说“默认情况下，行在公共列上按字典顺序排序”）。但是，在我看来，大多数人都会期望我期望的行为。是否值得将其作为 R 的错误/功能提升（或者像 merge 一样基本冻结）？

【解决方案2】：

使用dplyr包，我们可以得到如下结果

library("dplyr", lib.loc="~/R/win-library/3.2")

full_join(A, B, by=c("a", "b"))

     a b          x           y
    1   1 1 0.39907404 0.700782559
    2   2 1 0.84429488 0.600727090
    3   3 1 0.32232471 0.141495156
    4   4 1 0.74214210 0.262601640
    5   5 1 0.92944116 0.779255689
    6   6 1 0.10902661 0.001185645
    7   7 1 0.46336478 0.961711785
    8   8 1 0.58396008 0.211824751
    9   9 1 0.63126074 0.422233784
    10 10 1 0.09995935 0.179069642
    11 11 1 0.40832159 0.581116173
    12 12 1 0.48440814 0.004372634

【讨论】：