用 dplyr 连接操作替换数据帧的子集

Question

假设我对数据框的某些列值进行了如下处理：

  id animal weight   height ...
  1    dog     23.0
  2    cat     NA
  3   duck     1.2
  4  fairy     0.2
  5  snake     BAD


df <- data.frame(id = seq(1:5),
             animal = c("dog", "cat", "duck", "fairy", "snake"),
             weight = c("23", NA, "1.2", "0.2",  "BAD"))

假设处理需要在单独的表中工作，并作为结果给出以下数据框，它是原始数据框的子集：

  id animal weight
  2    cat    2.2
  5  snake    1.3

sub_df <- data.frame(id = c(2, 5),
             animal = c("cat", "snake"),
             weight = c("2.2", "1.3"))

现在我想再次将所有内容放在一起，所以我使用这样的操作：

> df %>%
   anti_join(sub_df, by = c("id", "animal")) %>%
   bind_rows(sub_df)

 id animal weight
 4  fairy    0.2
 1    dog   23.0
 3   duck    1.2
 2    cat    2.2
 5  snake    1.3

是否有某种方法可以直接通过连接操作来执行此操作？

如果子集只是关键列和要进行治疗的变量 （id，动物体重） 而不是总变量原始数据框(id, animal, weight, height)，如何将子集与原始集合组装起来？

Answer 1

您描述的是一个连接操作，您可以在其中更新原始数据集中的一些值。这很容易使用data.table 实现出色的性能，因为它具有快速连接和按引用更新的概念 (:=)。

这是您的玩具数据的示例：

library(data.table)
setDT(df)             # convert to data.table without copy
setDT(sub_df)         # convert to data.table without copy

# join and update "df" by reference, i.e. without copy 
df[sub_df, on = c("id", "animal"), weight := i.weight]

数据现已更新：

#   id animal weight
#1:  1    dog   23.0
#2:  2    cat    2.2
#3:  3   duck    1.2
#4:  4  fairy    0.2
#5:  5  snake    1.3

你可以使用setDF切换回普通的data.frame。

Answer 2

先去掉 na，然后简单地堆叠 tibbles：

 bind_rows(filter(df,!is.na(weight)),sub_df)

Answer 3

对于正在寻找在 tidyverse 管道中使用的解决方案的任何人：

我经常遇到这个问题，并编写了一个简短的函数，主要使用 tidyverse 动词来解决这个问题。它将考虑原始 df 中有其他列的情况。

例如，如果 OP 的 df 有一个额外的“高度”列：

library(dplyr)

df <- tibble(id = seq(1:5),
                 animal = c("dog", "cat", "duck", "fairy", "snake"),
                 weight = c("23", NA, "1.2", "0.2",  "BAD"),
                 height = c("54", "45", "21", "50", "42"))

我们想要加入的数据子集是相同的：

sub_df <- tibble(id = c(2, 5),
                     animal = c("cat", "snake"),
                     weight = c("2.2", "1.3"))

如果我们单独使用 OP 的方法 (anti_join %>% bind_rows)，由于 df 中的附加“高度”列，这将不起作用。需要额外的一两个步骤。

在这种情况下，我们可以使用以下函数：

replace_subset <- function(df, df_subset, id_col_names = c()) {

  # work out which of the columns contain "new" data
  new_data_col_names <- colnames(df_subset)[which(!colnames(df_subset) %in% id_col_names)]

  # complete the df_subset with the extra columns from df
  df_sub_to_join <- df_subset %>%
    left_join(select(df, -new_data_col_names), by = c(id_col_names))

  # join and bind rows
  df_out <- df %>%
    anti_join(df_sub_to_join, by = c(id_col_names)) %>%
    bind_rows(df_sub_to_join)

  return(df_out)

}

现在来看结果：

replace_subset(df = df , df_subset = sub_df, id_col_names = c("id"))

## A tibble: 5 x 4
#     id animal weight height
#  <dbl> <chr>  <chr>  <chr> 
#1     1 dog    23     54    
#2     3 duck   1.2    21    
#3     4 fairy  0.2    50    
#4     2 cat    2.2    45    
#5     5 snake  1.3    42  

这是一个在管道中使用该函数的示例：

df %>%
  replace_subset(df_subset = sub_df, id_col_names = c("id")) %>%
  mutate_at(.vars = vars(c('weight', 'height')), .funs = ~as.numeric(.)) %>%
  mutate(bmi = weight / (height^2))

## A tibble: 5 x 5
#     id animal weight height      bmi
#  <dbl> <chr>   <dbl>  <dbl>    <dbl>
#1     1 dog      23       54 0.00789 
#2     3 duck      1.2     21 0.00272 
#3     4 fairy     0.2     50 0.00008 
#4     2 cat       2.2     45 0.00109 
#5     5 snake     1.3     42 0.000737

希望这有帮助:)

Answer 4

dplyr::rows_update 不正是我们需要的吗？以下代码应该可以工作：

df %>% dplyr::rows_update(sub_df, by = "id")

只要您的数据集有唯一标识符（一个或多个变量），这应该可以工作。