R merge.data.frame：模糊键的概率结果

Question

数据和上下文优先：有问题的数据是

set.seed(123)
df1 <- data.frame(A = rep(1, 4), B = c(2, 6, 4, 4), D = c(0.1, 0.2, 0.3, 0.4))
df2 <- data.frame(A = rep(1, 4), C = c(2, 4, 6, 4), D = c(0.5, 0.6, 0.7, 0.8))

所以我们有

> df1
  A B   D
1 1 2 0.1
2 1 6 0.2
3 1 4 0.3
4 1 4 0.4

和

> df2
  A C   D
1 1 2 0.5
2 1 4 0.6
3 1 6 0.7
4 1 4 0.8

现在，当做时

merge(df1, df2, by.x = c("A", "B"), by.y = c("A", "C"))

一个得到

  A B D.x D.y
1 1 2 0.1 0.5
2 1 4 0.3 0.6
3 1 4 0.3 0.8
4 1 4 0.4 0.6
5 1 4 0.4 0.8
6 1 6 0.2 0.7

因为 (A,B) 和 (A,C) 值的组合不明确。

实际问题：如何通过将 D.x 和 D.y 随机分配给 (A,B) 来解决这个问题，例如获得同样的可能性

  A B D.x D.y
1 1 2 0.1 0.5
2 1 4 0.3 0.6
5 1 4 0.4 0.8
6 1 6 0.2 0.7

和

  A B D.x D.y
1 1 2 0.1 0.5
3 1 4 0.3 0.8
4 1 4 0.4 0.6
6 1 6 0.2 0.7

作为合并的结果？

Answer 1

使用 data.table 包，您可以这样做：

library(data.table)
DT <- dt1[dt2, on = c(A="A", B="C")][, .(i.D = sample(i.D,1)), by = .(A, B, D)]

这给出了两种可能的结果（从上面运行代码几次以查看不同的结果）：

> DT
   A B   D i.D
1: 1 2 0.1 0.5
2: 1 4 0.3 0.6
3: 1 4 0.4 0.8
4: 1 6 0.2 0.7

或：

> DT
   A B   D i.D
1: 1 2 0.1 0.5
2: 1 4 0.3 0.8
3: 1 4 0.4 0.6
4: 1 6 0.2 0.7

虽然这个简单的解决方案有效，但效率会降低（尤其是在内存使用方面）。导致相同结果的内存效率更高的解决方案是：

dt1[, indx := 1:.N, keyby = .(A, B)]
dt2[, indx := if(.N > 1L) sample(.N) else 1L, keyby = .(A, C)]
dt1[dt2, on = c(A = "A", B = "C", indx = "indx")]

通过在两个数据集中创建索引并为第二个数据集采样该索引，您可以加入该索引。这可以防止所有可能的组合首先包含在连接中的笛卡尔连接。

---

使用过的数据：

dt1 <- data.table(A = rep(1, 4), B = c(2, 6, 4, 4), D = c(0.1, 0.2, 0.3, 0.4))
dt2 <- data.table(A = rep(1, 4), C = c(2, 4, 6, 4), D = c(0.5, 0.6, 0.7, 0.8))

---

在基础 R 中你可以这样做：

df12 <- merge(df1, df2, by.x = c("A", "B"), by.y = c("A", "C"))

aggregate( . ~ A + B + D.x, df12, sample, 1)

这在aggregate 函数的三个连续运行中为我提供了以下三个结果：

# run 1
  A B D.x D.y
1 1 2 0.1 0.5
2 1 6 0.2 0.7
3 1 4 0.3 0.6
4 1 4 0.4 0.8

# run 2
  A B D.x D.y
1 1 2 0.1 0.5
2 1 6 0.2 0.7
3 1 4 0.3 0.8
4 1 4 0.4 0.8

# run 3
  A B D.x D.y
1 1 2 0.1 0.5
2 1 6 0.2 0.7
3 1 4 0.3 0.8
4 1 4 0.4 0.6