在 R 中：如何在两个单独的数据框中一致地替换（/匿名化）ID 或名称

Question

假设我有两个数据框，df1 和 df2。两个数据帧都有一个标识符id。我的目标是在此标识符上合并这些数据集，但我想匿名化id 列中的名称。但是，问题是我想分别对两个数据集这样做，因此对于 df1 和 df2 而不是直接在 df3 上（因为这很容易：只需用一些随机字符替换 id 列）

我认为我的解决方案需要看起来像这样。首先，我创建了一个单独的数据框，其中包含来自df1 和df2 的所有唯一ids。然后，我需要分配一些随机化，例如idxxxx，其中xxxx 是此单独数据框中每个id 的唯一编号。使用dplyr、gsub 或stringr 方法，我可以根据在此单独数据框中分配的值替换df1 和df2 中的ids。在此之后，我将合并两个数据集。

这里我有两个示例数据框，我尝试解决的问题，以及想要的结果。请注意，id 的数量对我来说并不重要（例如，John Terry 的 id0004 或 id0003 无关紧要，只要它在两个数据帧中始终如一地更改即可。

有人可以帮我解决这个问题吗？谢谢！

id <- c("John Williams", "John Terry", "Rick Fire", "Katie Blue", "Unknown")
row1 <- c("28", "17", "17", "29", "39")
df1 <- data.frame(id,row1)

id <- c("Frank Johnson", "John Terry", "Rick Fire", "Katie Blue")
row2 <- c("Purple", "Red", "Yellow", "Green")
df2 <- data.frame(id,row2)

df3 <- merge(df1, df2, all.x = TRUE, all.y = TRUE)

#My try
#Make separate data frame
id_df <- merge(df1, df2, all.x = TRUE, all.y = TRUE)
id_df <- subset(id_df,TRUE,select = c(id))
id_df$anonymous <- id_df %>% mutate(id = row_number()) #it would be nicer to have something like id0001

#Replace ids within df1 and df2 according to the id_df anonymous variable
library(stringr)
df1$id <- str_replace(df1$id, id_df$id, as.character(id_df$anonymous)) #replacement does not work

#desired result
#df1        row1
#id0003     28 
#id0002     17
#id0005     17
#id0004     29
#id0006     39

#df2        row2
#id0001     Purple
#id0002     Red
#id0005     Yellow
#id0004     Green

#df3
#id         #row1       #row2
#id0001     NA          Purple
#id0002     17          Red
#id0003     28          NA
#id0004     29          Green
#id0005     17          Yellow
#id0006     39          NA

Answer 1

一个 tidyverse 解决方案，满足您的要求，在您加入之前不要在 df3 上操作

id_df <- data.frame(id = union(df1$id,df2$id))
id_df <- 
   id_df %>% 
   mutate(anonymous = paste0("id", stringr::str_pad(row_number(), 
                                                     width = 4, 
                                                     pad = 0)))

newdf1 <- left_join(df1, id_df) %>% select(-id) %>% relocate(anonymous)

newdf2 <- left_join(df2, id_df) %>% select(-id) %>% relocate(anonymous)

full_join(newdf1, newdf2)

#> Joining, by = "anonymous"
#>   anonymous row1   row2
#> 1    id0001   28   <NA>
#> 2    id0002   17    Red
#> 3    id0003   17 Yellow
#> 4    id0004   29  Green
#> 5    id0005   39   <NA>
#> 6    id0006 <NA> Purple

Answer 2

这是一个所有基数为 R 的解决方案（没有 tidyverse）。我们创建一个包含所有唯一 ID 的查找表（使用集合操作 union 来查找 ID），然后 merge 分别与每个数据帧创建查找表。

# Find all unique ids and create a lookup table.
all_ids <- union(df1$id, df2$id)
id_df <- data.frame(id = all_ids, code = paste0('id', sprintf('%04d', 1:length(all_ids))))

# Merge df1 with the lookup table, remove the id column, and rename the code column to id.
df1 <- merge(df1, id_df, all.x = TRUE)
df1 <- df1[, c('code', 'row1')]
names(df1)[1] <- 'id'

# Repeat for df2
df2 <- merge(df2, id_df, all.x = TRUE)
df2 <- df2[, c('code', 'row2')]
names(df2)[1] <- 'id'

df3 <- merge(df1, df2, all.x = TRUE, all.y = TRUE)

请注意，sprintf('%04d, ...)` 会将数字代码用零填充到总长度为 4。

Answer 3

如果您想匿名化 id 并使反转它们变得相当困难，您可以计算每个字符串的 md5 哈希值。两个相同的字符串会产生相同的 md5 哈希：

df1$id <- sapply(df1$id, digest::digest, algo = "md5")
df2$id <- sapply(df2$id, digest::digest, algo = "md5")
df3 <- merge(df1, df2, all.x = TRUE, all.y = TRUE)

df3
#>                                 id row1   row2
#> 1 22e35044ed452870ad5b014e87121d9d   39   <NA>
#> 2 69d61b42a2f549c4765699f06de3b351   28   <NA>
#> 3 ad1cc76e26c5d73ba4a03bf51df1b6af   17 Yellow
#> 4 b3bdcc4913da319308e6ddf47e09da12 <NA> Purple
#> 5 badea53ae1e8a2fa66ebd1cdde9dd413   17    Red
#> 6 d1f305c19a2f9649abe11efcf26ac645   29  Green