如何有效地匹配R中的两个数据表

Question

情况： 我有一个 CSV 文件 A 有两列 Customer ID 和 Entry date。 A 包含大约 1.500.000 个观测值。

我有另一个 CSV 文件 B，其中有一列 Customer ID。 B 是 A 的一个较小的子集。

目标： 由于表B 中缺少有关他们进入日期的信息，我想从表A 中获取该信息并将其全部写入一个新表C。

当前进度： 我从A 创建了 10 个子集 S1、...、S10，并从每个子集中创建了最大客户 ID。在for 循环中，我遍历B 的所有条目并检查B 是否位于其中一个子集中（通过子集的customer ID 和max c ID）。一旦我找到了一个我应该在其中找到客户 ID 的子集，我就使用函数 which 在 A 中查找 B 的元素。

这太慢了。

没有其他更快的方法吗？

哪些是 R 中使用 CSV 文件的最佳对象，因为目前，A 是一个数据框，B 是一个大整数.

Answer 1

使用data.table 的fread 读取您的CSV 文件：

library(data.table);
table_a <- fread("A.csv");  # Defaults are probably fine
table_b <- fread("B.csv");

使用merge使用B中的索引创建C：

# Assuming the column name has an underscore instead of space
setkey(table_a, Customer_ID);
setkey(table_b, Customer_ID);

table_c <- merge(x=table_b, y=table_a, by="Customer_ID", all.x=TRUE);

如果需要，将新表写入 CSV：

write.csv(x=table_c, file="C.csv");

Answer 2

我会使用data.table。执行此操作非常简单（请参阅最后一个命令！），并且使用所谓的键控连接非常快。基本上，您使用它们的公共密钥（在您的情况下为"Customer ID"）在a 中查找来自b 的条目。举个例子：

require(data.table)
a <- data.table(id=1:10,date=as.Date(1:10))
setkey(a,id)
b <- data.table(id=4:6)
setkey(b,id)

a[b]
#   id       date
#1:  4 2016-02-01
#2:  5 2016-02-02
#3:  6 2016-02-03

---

在您给定的示例中，您可以键入以下内容，以读取您的数据并进行键控连接以获取表 b 中每个人的进入日期：

a <- fread( "A.csv" )
setkey(a, "Customer ID")
b <- fread( "B.csv" )
setkey(a, "Customer ID")

c <- a[b]