加入dplyr时如何为x和y指定列名？

Question

我有两个要使用 dplyr 加入的数据框。一个是包含名字的数据框。

test_data <- data.frame(first_name = c("john", "bill", "madison", "abby", "zzz"),
                        stringsAsFactors = FALSE)

另一个数据框包含 Kantrowitz 姓名语料库的清理版本，用于识别性别。这是一个最小的例子：

kantrowitz <- structure(list(name = c("john", "bill", "madison", "abby", "thomas"), gender = c("M", "either", "M", "either", "M")), .Names = c("name", "gender"), row.names = c(NA, 5L), class = c("tbl_df", "tbl", "data.frame"))

我基本上想使用kantrowitz 表从test_data 表中查找姓名的性别。因为我要把这个抽象成一个函数encode_gender，所以我不知道要使用的数据集中列的名称，所以不能保证一定是name，如kantrowitz$name。

在基础 R 中，我会以这种方式执行合并：

merge(test_data, kantrowitz, by.x = "first_names", by.y = "name", all.x = TRUE)

返回正确的输出：

  first_name gender
1       abby either
2       bill either
3       john      M
4    madison      M
5        zzz   <NA>

但我想在 dplyr 中执行此操作，因为我正在使用该包进行所有其他数据操作。各种*_join 函数的dplyr by 选项只允许我指定一个列名，但我需要指定两个。我正在寻找这样的东西：

library(dplyr)
# either
left_join(test_data, kantrowitz, by.x = "first_name", by.y = "name")
# or
left_join(test_data, kantrowitz, by = c("first_name", "name"))

使用 dplyr 执行这种连接的方法是什么？

（别介意 Kantrowitz 语料库是一种不好的性别识别方法。我正在努力实现更好的实现，但我想先让它发挥作用。）

Answer 1

这与其说是真正的解决方案，不如说是一种解决方法。您可以使用另一个列名创建一个新对象test_data：

left_join("names<-"(test_data, "name"), kantrowitz, by = "name")

     name gender
1    john      M
2    bill either
3 madison      M
4    abby either
5     zzz   <NA>

Answer 2

此功能已在 dplyr v0.3 中添加。您现在可以将命名字符向量传递给left_join（和其他连接函数）中的by 参数，以指定在每个数据帧中连接哪些列。使用原始问题中给出的示例，代码将是：

left_join(test_data, kantrowitz, by = c("first_name" = "name"))