dplyr处理关系数据

参考：

1. 《R数据科学》
2. 小洁详解《R数据科学》–第九章 dplyr处理关系

第9章 dplyr处理关系数据

写在前面——plyr包 join()函数

join(x = ,y = ,by=NULL,type="left",match="all")

作用：连接两个数据框,和SQL中连接方式一样，
包括内连接(inner-交集)和外连接(左连接left、右连接right、全连接full)

参数：

• x，y 是两个数据框；
• by 是指定要联合的变量，默认值为所有的变量；
• type 是指定联合的方式（inner、left、right、full）
  ————————————————

与merge()函数对比，join()函数运行速度比较快

#内连接
merge(x = ,y = ,by = )
#左连接
merge(x = ,y = ,all.x=TRUE,by = )
#右连接
merge(x = ,y = ,all.y=TRUE,by = )
#全连接
merge(x = ,y = ,all.x=TRUE,all.y=TRUE,by = )

————————————————

dplyr中关系连接

• inner 交集

---

• left_join——x表结构不变

---

• right _join——y表结构不变

---

• full_join——并集

---

1.简介

• 合并连接:向数据框中加入新变量，新变量的值是另一个数据框中的匹配观测。
• 筛选连接:根据是否匹配另一个数据框中的观测，筛选数据框中的观测。
• 集合操作:将观测作为集合元素来处理

2.nycflights13

除了flight外，还有另外四个相关数据框。分别描述航空公司、机场、飞机、天气。
我喜欢以标准表格的形式观察每个数据框。

library(tidyverse)
library(nycflights13)
View(airlines)
View(airports)
View(planes)
View(weather)

• flights 与 planes 通过单变量 tailnum 相连;
• flights 与 airlines 通过变量 carrier 相连;
• flights 与 airports 通过 origin 和 dest、faa相连;
• flights 与 weather 通过变量 origin(位置)以及 year、month、day 和 hour(时间)相连

3.键

用于连接每对数据表的变量称为键。键是能唯一标识观测的变量（或变量集合）。

主键：唯一标识其所在数据表中的观测。例如，planes$tailnum 是一个主键，因为其可
以唯一标识planes 表中的每架飞机。

外键：唯一标识另一个数据表中的观测。例如，flights$tailnum 是一个外键，因为其
出现在flights 表中，并可以将每次航班与唯一一架飞机匹配。

验证主键能否真正唯一标识每个观测。
（这句话的意思相当于检测这个主键能否起到和行号一样的作用，强调唯一）

主键就是女神表中id，外键就是女神表中boyfriend_id
主键与另一张表中的外键可以构成关系
看个例子
beauty表

boys表

左连接

SELECT b.`id`,`name`,`boyfriend_id`,bo.*
FROM `beauty` AS b
LEFT JOIN `boys` AS bo
ON b.`boyfriend_id`=bo.`id`;

结果

练习

(1) 向flights 添加一个代理键。
可以使用muteta()或者row_number()函数生成一个代理键

flights %>%
  arrange(year, month, day, sched_dep_time, carrier, flight) %>%
  mutate(flight_id = row_number()) %>%

4.合并连接

简化 flights ==》flights2

flights2 <- flights %>%
select(year:day, hour, origin, dest, tailnum, carrier)
View(flights2)

将航空公司全名加入flights2 ==》flights3

view(airlines)

flight3<-flights2 %>%
select(-origin, -dest) %>%
left_join(airlines, by = "carrier")
View(flights3)
#等同于
flights2 %>%
select(-origin, -dest) %>%
mutate(name = airlines$name[match(carrier, airlines$carrier)])#R取子集

注意：left_join和其他的dplyr操作一样，不改变原来的数据框，如果不给它赋值，就只是在控制台展示一下，雁过无痕。所以在这里我给它赋值为flights3。

(1)内连接 inner_join

取交集，未匹配到的行会被丢弃。

内连接最重要的性质是，没有匹配的行不会包含在结果中。这意味着内连接一般不适合在分析中使用，因为太容易丢失观测了。

(2)外连接——不会丢失行

• letf_join左连接：保留第一个数据框X的所有观测。（最常用）
• right_join右连接：保留第二个数据框Y中的所有观测
• full_join全连接：保留两个数据框中的所有观测(并集)。

（3）重复键

连接时会得到所有的组合，通常意味着出现错误。


当连接这样的重复键时，你会得到所有可能的组合，即笛卡儿积：

（4）定义键列

连接时，会自动寻找两个数据框中共有的列作为键来进行匹配（自然连接默认值by=NULL——笛卡尔积）,也可自行指定键列

flights2 %>%
left_join(weather)
flights2 %>%
left_join(planes, by = "tailnum")

注意

（1）by = NULL——默认值、自然连接、笛卡尔积

（2）by = “key”——只使用公共变量

（3）by = c(“a”=“b”)——连接字段名称不一样

这种方式会匹配x表中的a变量和y表中的b变量。
输出结果中使用的是x表中的变量。

例如SQL

ON b.`boyfriend_id`=bo.`id`;

flights2%>%
left_join(airports,c("dest"="faa"))

5.筛选连接

• semi_join(x, y)半连接：不添加新列，保留x表中那些可以匹配y表的行
  
  重要的是存在匹配，匹配了哪条观测则无关紧要。这说明筛选连接不会像合并连接那样造成重复的行。
  
  对数据表进行筛选或摘要统计后，如果想要使用表中原来的行来匹配筛选或摘要结果，那么半连接是非常有用的。

• anti_join(x, y)反连接：半连接的逆操作是反连接。反连接保留x表中那些没有匹配到 y 表的行。

反连接可以用于诊断连接中的不匹配。找出没有匹配到的行

6.问题

（1）找出主键
（2）主键不能有缺失值
（3）检查外键是否与另一张表的主键相匹配（anti_join）

7.集合

集合操作需要x和y具有相同的列名，并将行按照集合来处理。

intersect(x, y)
返回既在x 表，又在y 表中的观测。

union(x, y)
返回x 表或y 表中的唯一观测。

setdiff(x, y)
返回在x 表，但不在y 表中的观测。

集合跟连接的区别是：

• 用于求集合的列名全都相同，求集合不改变列数，改变行数。
• 用于做连接的列名只有部分一到几列相同，做连接增加列数。