如何使用与第二个数据框中的行匹配的两个变量来标记行？ R

Question

我有两个大型数据集 df1 和 df2。 df2 是 df1 的子集。我想将 df2 中存在的 df1 行标记为“是”，而将其他行标记为“否”。行不包含任何唯一变量值。我想匹配多个变量的值。但是，我使用 %in% 运算符得到了不正确的结果。我还尝试了一个嵌套的 for 循环，该循环遍历 df1 的每一行并将其与 df2 的每一行进行比较。它会产生正确的结果，但由于我的数据集的大小，它需要几天才能完成。

请看下面的例子：

df1 <- data.frame( Col1 = c( "d1", "d2", "d3", "d1"), 
               Col2 = c( "n1", "n2", "n1", "n2" ))
df2 <- data.frame( Col1 = c( "d1", "d2" ), Col2 = c( "n1", "n2" ))
df1$Res <- "No"
df1.len <- nrow( df1 )

for ( i in 1:df1.len ){
  if ( df1$Col1[i] %in% df2$Col1 & 
     df1$Col2[i] %in% df2$Col2 ){
  df1$Res[i] <- "Yes"
  }
}
df1
df2

输出：

df1 Col1 Col2 分辨率
1 d1 n1 是
2 d2 n2 是
3 d3 n1 否
4 d1 n2 是

df2
Col1 Col2
1 d1 n1
2 d2 n2

如您所见，df2 中不存在 df1 的第 4 行，但仍标记为“是”。任何帮助将不胜感激。我过去几天一直在看 SO 和其他论坛，但没有运气。谢谢。

Answer 1

这是一个使用 dplyr 的答案，它比基础 R 快得多。首先为每一行创建一个唯一 ID，然后根据比较 ID 的逻辑向量创建一个新变量。

require(dplyr)

df1 <- data.frame( Col1 = c( "d1", "d2", "d3", "d1"), 
               Col2 = c( "n1", "n2", "n1", "n2" ))
df2 <- data.frame( Col1 = c( "d1", "d2" ), Col2 = c( "n1", "n2" ))

df2 <- mutate(df2, Col3 = paste0(Col1, Col2))
df1 <- mutate(df1, 
  Col3 = paste0(Col1, Col2),
  Res = ifelse(Col3 %in% df2$Col3, "Yes", "No")
  )

使用 duplicated()（如 Ananda 的回答）在语法上很简单，但可能会很慢，具体取决于您的数据框有多少列。

Answer 2

我会这样做：

duplicated(rbind(df2, df1))[-sequence(nrow(df2))]  ## Might not be reliable...
# [1]  TRUE  TRUE FALSE FALSE

或其中之一：

interaction(df1) %in% interaction(df2)
do.call(paste, df1) %in% do.call(paste, df2)

如果需要，您可以轻松地将TRUE 更改为“是”，将FALSE 更改为“否”，但保留逻辑值可能更有用。

Answer 3

这提供了正确的答案，但如果您在 df1 和 df2 中的列具有不同的名称，则需要进行调整：

df1 <- data.frame(Col1 = c("d1", "d2", "d3", "d1"), 
                  Col2 = c("n1", "n2", "n1", "n2"))
df1.len <- nrow(df1)
df1 <- cbind(df1, unique=seq(1:df1.len))

df2 <- data.frame(Col1 = c("d1","d2"), Col2 = c("n1","n2"))
df1$Res <- "No"

match <- merge(df1,df2,by=c("Col1","Col2"))

for (i in 1:df1.len){
if (df1$unique[i] %in% match$unique) {
    df1$Res[i] <- "Yes"
  }
}

Answer 4

另一种选择是使用split，例如，

df1 <- data.frame(a=1:10, b=letters[1:10])
df2 <- df1[1:5,]
df1$in.df2 <- split(df1, rownames(df1)) %in% split(df2, rownames(df2))
#     a b in.df2
# 1   1 a   TRUE
# 2   2 b   TRUE
# 3   3 c   TRUE
# 4   4 d   TRUE
# 5   5 e   TRUE
# 6   6 f  FALSE
# 7   7 g  FALSE
# 8   8 h  FALSE
# 9   9 i  FALSE

Answer 5

我的回答与 Ananda 的非常相似，只是不那么时髦，但如果您是 R 新手，可能会更有意义，从您的问题来看，我猜您是。

df1 <- data.frame( Col1 = c( "d1", "d2", "d3", "d1"), 
               Col2 = c( "n1", "n2", "n1", "n2" ))
df2 <- data.frame( Col1 = c( "d1", "d2" ), Col2 = c( "n1", "n2" ))

df1$col3 <- paste0(df1$Col1,df1$Col2) # create a composite of the row
df2$col3 <- paste0(df2$Col1,df2$Col2) # repeat

df1$col3 %in% df2$col3
# [1]  TRUE  TRUE FALSE FALSE

您不需要将 col3 附加到您正在使用的数据帧中，这正是我所做的。