R语言ETL工程：连接（join）

作者：黄天元，复旦大学博士在读，目前研究涉及文本挖掘、社交网络分析和机器学习等。希望与大家分享学习经验，推广并加深R语言在业界的应用。

邮箱：huang.tian-yuan@qq.com

本章将会介绍如何在R中完成数据表的连接操作。首先要明确一个问题：为什么要进行连接？本质上来说，连接就是按照一定的对应规则，把两个表格合并为一个表格的操作。举个例子：比如我们一张表格中有乐队的歌手名字和他们所属的乐队，另一张表格有歌手的名字和他们擅长的乐器类型。因为两张表格都含有歌手的名字，而歌手的名字也是唯一的（在数据库理论框架中，这个属性被称为主键），即不存在一张表格会重复出现同一个歌手的名字。这个时候，我们就希望把两张表格合并起来，做一张包含歌手名字、所属乐队、擅长乐器的大表格。通过连接，我们能够把众多表格的数据合并起来，从而让孤立的数据能够联系在一起。

本章会采用较为简单的数据集进行实现，下面我们会参考dplyr的帮助文档举例，前期准备如下：

1library(tidyverse)
2band_members
3
4## # A tibble: 3 x 2
5## name band 
6## <chr> <chr> 
7## 1 Mick Stones 
8## 2 John Beatles
9## 3 Paul Beatles
10
11band_instruments
12
13## # A tibble: 3 x 2
14## name plays 
15## <chr> <chr> 
16## 1 John guitar
17## 2 Paul bass 
18## 3 Keith guitar
19
20band_instruments2
21
22## # A tibble: 3 x 2
23## artist plays 
24## <chr> <chr> 
25## 1 John guitar
26## 2 Paul bass 
27## 3 Keith guitar

观察表格，我们可以知道，band_members包含了歌手名称和乐队信息，band_instruments包含歌手名称和乐器信息，band_instruments2与band_instrument包含的信息一样，但是歌手名称的列名称由name变化为artist。

基本概念

连接分为很多种，包括内连接、全链接、左连接、右连接等。我们先介绍一些基础的逻辑，先看下面这张图：

下面我们逐个讲解这些连接的概念。 首先我们来讲内连接，又叫做自然连接。还是歌手、乐队、乐器的例子，比如我们的A表格中有歌手名称和乐队的信息，B表格中有歌手名称和擅长乐器的信息。另外，我们发现两张表格中，A表格包含的歌手信息和B表格不同，有的歌手只有A表格有，B表格就没有；有的歌手只有B表格有，但是A表格没有。但是我们还是希望把A表格和B表格连接起来，形成一个大表格C。采用内连接的话，就会把A表格和B表格都有的歌手提取出来（也就是取了一个交集），然后对两个表格的列进行连接。

下面介绍左连接和右连接。如果是A表格左连接B表格的话，那么就是A表格的歌手肯定全部保留，如果在A里面有的歌手，在B中找不到，那么就需要填充缺失值，一切以A表格为主。理解了左连接，右连接就非常简单了，它其实就是左连接的逆运算，也就是说A右连接B，实际就是B左连接A。就是这么简单。 最后我们讲一下全连接。全连接就是A表格B表格的歌手我们统统都保留，但是如果A表格有的歌手B表格没有，那么在B表格的列中就需要填充缺失值；同理，如果B表格的歌手A没有，那么A表格带来的列也需要填充缺失值。

如果还是不理解，可以看一下下面这一张图片。