R语言 tidyverse 之数据处理：dplyr (下)

dplyr 包中也有特定的连接函数，用来实现不同数据框之间的连接操作，类似于 SQL 中的 join。

这一节我们使用 nycflights13 数据集，这个数据集中包含了纽约市 336776 次航班的信息，使用前先安装一下：install.packages(‘nycflights13’)。

library(dplyr)
library(nycflights13)

# flights 数据框
slice_head(flights, n = 5)

# airlines 数据框
slice_head(airlines, n = 5)

flights 数据框：

airlines 数据框：

flights 数据框中有很多字段，我们只筛选出一些必要的字段，如航班编号 flight、航空公司缩写 carrier、飞机编号 tailnum、出发地 origin、目的地 dest。

为了方便演示连接查询的结果，对 flights 和 airlines 做了相应的处理，新数据框 flights_sub、airlines_sub 中仅有 6 行数据，两个数据框可以通过 carrier 字段来关联。

flights_sub <- flights %>%
    select(flight, carrier, tailnum, origin, dest) %>%
    slice_head(n = 6)
flights_sub

airlines_sub <- airlines %>%
    slice_head(n = 6)
airlines_sub

flights_sub 数据框：

airlines_sub 数据框：

1. inner_join：内连接

内连接仅查询出两个数据框完全匹配的行。

• flights_sub 数据框，去重后的 carrier 字段有 UA、AA、B6、DL 4个取值
• airlines_sub 数据框，去重后的 carrier 字段有 AA、B6、DL、9E、AS、EV 6个取值

两者内连接后，能匹配上的 carrier 字段有 AA、B6、DL，可以使用 by 参数来指定连接的字段，如果不指定，则默认会取两个数据框中名称相同的字段进行连接。

# 不指定连接的字段
flights_sub %>% 
    inner_join(airlines_sub)

# 指定连接的字段, 且两个数据框的字段名相同
flights_sub %>% 
    inner_join(airlines_sub, by = 'carrier')

# 指定连接的字段, 且两个数据框的字段名不同
# 先把 carrier 字段重命名为 carrier_id
flights_sub_v2 <- flights_sub %>%
    rename(carrier_id = carrier)
# 通过 flights_sub_v2 的 carrier_id 字段连接 airlines_sub 的 carrier 字段
flights_sub_v2 %>% 
    inner_join(airlines_sub, by = c('carrier_id'= 'carrier'))

inner_join 结果：

2. 外连接

2.1 left_join：左外连接

以左边的 flights_sub 数据框为基准，去重后的 carrier 字段有 UA、AA、B6、DL 4个取值，而 airlines_sub 数据框中仅能匹配到 AA、B6、DL 3个值，匹配不到的 UA ，其对应的 name 字段取值为 NA。

flights_sub %>% 
    left_join(airlines_sub, by = 'carrier')

left_join 结果：

2.2 right_join：右外连接

以右边的 airlines_sub 数据框为基准，去重后的 carrier 字段有 AA、B6、DL、9E、AS、EV 6个取值，而 flights_sub 数据框中仅能匹配到 AA、B6、DL 3个值，匹配不到的 9E、AS、EV，其对应的 flight、tailnum、origin、dest 字段取值均为 NA。

flights_sub %>% 
    right_join(airlines_sub, by = 'carrier')

right_join 结果：

2.3 full_join：全外连接

无论是否匹配到，所有的行都会保留，可以认为是左外连接和右外连接合并后去重的结果。

flights_sub %>%
    full_join(airlines_sub, by = 'carrier')

full_join 结果：

3. 筛选连接

进行完 join 操作后，有时候需要对 join 的结果做进一步的过滤，这种情况下，可以使用 semi_join 和 anti_join 来简化操作。

3.1 semi_join：保留匹配行

# 保留两个数据框匹配的所有行
flights_sub %>% 
    semi_join(airlines_sub, by = 'carrier')

# left_join 的等价写法
flights_sub %>% 
    left_join(airlines_sub, by = 'carrier') %>%
    filter(!is.na(name)) %>%
    select(-name)

semi_join 结果：

3.2 anti_join：丢弃匹配行

# 丢弃两个数据框匹配的所有行
flights_sub %>% 
    anti_join(airlines_sub, by = 'carrier')

# left_join 的等价写法
flights_sub %>% 
    left_join(airlines_sub, by = 'carrier') %>%
    filter(is.na(name)) %>%
    select(-name)

anti_join 结果：