用dplyr处理关系型数据

背景

很多情况下，数据分析需要处理多个表。我们需要联合多个表来分析数据，回答问题。
今天，我们来看一下如何用dplyr来操作多个表。

如果你学过sql语言，那这一节对你来说会很熟悉

基本概念

当我们把两个表连接在一起时，需要用变量来做链接。这个用来连接两个表的变量被称为键。
常见的键有两种：

1. 主键

所谓的主键，就是能代表本表中唯一一个观测值的变量。
比如说，过两天就高考了，我们把所有高考学生的信息组成一个表。
在这个表里，每个学生都有一个考号，这个考号是唯一的，不可能重复。那我们可以把考号设为这个表的主键。

2.外键

外键能标示出另一个表中的唯一观测值。
接着上一个例子，每个学生除了考号之外，还有个人信息，个人信息里面还有身份证号。
如果还有另外一张表，记录的是全国人的信息。那可以通过这个身份证号找到在全国人表里面的这个考生。
在这种情况下，身份证号就是一个外键。

当然，身份证号这个变量，可以既做主键又做外键，因为它能识别出本表和另外一张表中的唯一观测值。

如何确定是不是主键?

有时，我们拿到一个数据表，也不是特别清楚一个值是不是有重复。这个时候，用count函数数一下到底有多少观测值。

再用之前的nycflights13这个数据集为例，里面有一张表，叫planes，记录了飞机的信息。我们想确认一下tailnum这个变量适不适合作为这张表的主键。

planes %>% count(tailnum) %>% filter(n>1)

结果没有数据，说明没有重复的记录，所以tailnum可以作为主键.

没有主键怎么办？

如果没有主键，可以考虑加上一个代号。
比如：

planes %>% mutate(id=row_number())

这样就多了一列id，这个id是行号，能暂时替代主键。

对两表进行操作

Inner Join内连

inner join最简单，只要是值相等，就会连接起来，但是没有配成对的行不会出现在结果中。换句话说，内连的结果是两个数据集的交集。
比如，我们新建两个数据集。

x<-tribble(~key,~val_x,1,"x1",2,"x2",3,"x3")
y<-tribble(~key,~val_y,1,"y1",2,"y2",4,"y3")

x中，key是主键，它在y中的外键是key。
当我们使用inner_join的时候，x中的key就会和y中的key进行匹配，最后如下：

x %>% inner_join(y,by="key")

Outer Joins外连

内连会取的两个数据集的交集，而外链则会保留至少一个数据表的数据。总共可以分三种外连方式。

1. left_join:会把左表的数据都留下来（在例子中，就是把x数据集中的数据都保留）
2. right_join：会把右表的数据都留下来（在例子中，就是把y数据集中的数据都保留）
3. full_join:会把两个表的所有数据都保留下来。
   如果没有匹配的数值，则自动填充NA。
   如下：
   
   如果用韦恩图的方式来表示，各种连接，则是下面的样子：
   

在使用函数的时候，我们使用了by="key"来表示是用key这个变量来连接的。实际上，如果没有这一部分，R会把两个表中相同的变量进行匹配，所以在命名变量名的时候，还是要注意的。

如果相同的变量在不同的表里有不同的变量名，那么可以用by=c(“变量名1”=“变量名2”)的方式进行。

filtering joins

筛选连接，顾名思义，就是用连接的方式进行筛选。
常用的用两种：

1. semi_join（x,y）保留x中所有和y有匹配值的观测值
2. anti_join(x,y)把x中所有能和y有匹配的值扔掉。

当然，在筛选的时候，我们用filter函数也可以，但是如果你想筛选多个变量，那filter就比较麻烦。可以考虑用semi_join这些函数。