R_Merge_Function_VS_Excel_Vlookup_Column_Match

R_Merge_Function_VS_Excel_Vlookup_Column_Match

数据分析网

This is an R Markdown Notebook. When you execute code within the notebook, the results appear beneath the code.

R中的merge函数类似于Excel中的Vlookup，可以实现对两个数据表进行匹配和拼接的功能。与Excel不同之处在于merge函数有4种匹配拼接模式，分别为inner，left，right和outer模式。

其中inner为默认的匹配模式。本篇文章我们将介绍merge函数的使用方法和4种拼接模式的区别。

1. Introduction to merge function

merge函数的使用方法很简单，以下是官方的函数功能介绍和使用说明。

2. Description

Merge two data frames by common columns or row names, or do other versions of database join operations.

Usage

merge(x, y, ...)

## Default S3 method:
merge(x, y, ...)

## S3 method for class 'data.frame'
merge(x, y, by = intersect(names(x), names(y)),
      by.x = by, by.y = by, all = FALSE, all.x = all, all.y = all,
      sort = TRUE, suffixes = c(".x",".y"),
      incomparables = NULL, ...)

In SQL database terminology, the default value of all = FALSE gives a natural join, a special case of an inner join.

Specifying all.x = TRUE gives a left (outer) join, all.y = TRUE a right (outer) join, and both (all = TRUE a (full) outer join. DBMSes do not match NULL records, equivalent to incomparables = NA in R.

merge函数中第一个出现的数据表是拼接后的left部分，第二个出现的数据表是拼接后的right部分。merge默认会按照两个数据表中共有的字段名称进行匹配和拼接。

3. 读取并创建数据表

开始使用merge函数进行数据拼接之前先读取需要进行匹配的两个数据表，并命名为loan_status表和member_info表。

#读取并创建贷款状态数据表
loan_status=data.frame(read.csv('loan_status.csv',header = 1))
#读取并创建用户信息数据表
member_info=data.frame(read.csv('member_info.csv',header = 1))

4. 查看数据表

下面我们分别查看了两个数据表中的内容。这个示例中的两个数据表较小，可以完整显示出来，如果数据量较大的话可以就不能这么直观的查看了。

#查看贷款状态数据表
# loan_status
number_id <- c(1277178, 12345)
load_amount <- c(10000,1909)
term <- c("36 months", "20 monthes")

# Get details of or set aspects of the locale for the R process.
foo <- Sys.getlocale()
Sys.setlocale(locale="C")
Sys.setlocale("LC_COLLATE", "C")
# backup
Sys.setlocale("LC_ALL", locale = foo)

issue_d <- as.Date(c("02/27/92", "01/14/92"),"%m/%d/%y")
loan_status <- c("Fully Paid", "Current")
total_pymnt_inv <- c(12231.89, 3581.89)
total_rec_int <- c(2214.92,1600)

loan_status <- data.frame(number_id, 
                          load_amount, 
                          term, 
                          issue_d, 
                          loan_status,
                          total_pymnt_inv)
loan_status


#查看用户信息数据表
# member_info
member_id <- c(1277178, 12345)
grade <- c("B", "C")
emp_length <- c("10 + years", "5 years")
annual_inc <- c(24000, 30000)
member_info <- data.frame(member_id, 
                          grade, 
                          emp_length, 
                          annual_inc)

#查看两个数据表的维度
# 对于较大的数据表，可以使用dim函数查看数据表的维度，下面我们分别查看了贷款状态表和用户信息表的维度。贷款状态表有27行7列，用户信息表有25行4列。
dim(loan_status);dim(member_info)

#查看贷款状态数据表
loan_status

#查看用户信息数据表
member_info

# 使用names函数查看两个数据表的列名称，下面分别显示了代码和列名称。可以发现，两个数据表中有一个共同的列member_id。
#查看两个数据表的列名称
names(loan_status);names(member_info)

# [1] "member_id" "loan_amnt" "term""issue_d" "loan_status" "total_pymnt_inv" "total_rec_int"
# [1] "member_id" "grade" "emp_length" "annual_inc"

5. inner匹配

inner模式是merge的默认匹配模式，我们通过下面的文氏图来说明inner的匹配方法。Inner模式提供在loan_status和member_info表中共有字段的匹配结果。也就是对两个的表交集部分进行匹配和拼接。单独只出现在一个表中的字段值不会参与匹配和拼接。从下面的匹配结果中也可以看出，共有22行，包含了loan_status和member_info的交集。

#inner模式匹配
merge(loan_status,member_info,by = 'member_id')

6. outer匹配

outer模式是两个表的汇总，将loan_status和member_info两个要匹配的两个表汇总在一起，生成一张汇总的唯一值数据表以及匹配结果。从结果中可以看出共包含30行数据，比两个表的行数都要多。并且在grade和其他字段包含Na值，这些是在两个表中匹配不到的内容。

#outer模式匹配
merge(loan_status,member_info,all=TRUE,sort=TRUE)

7. left匹配

left模式是左匹配，以左边的数据表loan_status为基础匹配右边的数据表member_info中的内容。匹配不到的内容以NaN值显示。在Excel中就好像将Vlookup公式写在了左边的表中。下面的文氏图说明了left模式的匹配方法。Left模式匹配的结果显示了所有左边数据表的内容，以及和右边数据表共有的内容。

以下为使用left模式匹配并拼接后的结果，loan_status在merge函数中第一个出现，因此为左表，member_grade第二个出现，为右表。匹配模式为all.x=TRUE。从结果中可以看出left匹配模式保留了一张完整的loan_status表，以此为基础对member_info表中的内容进行匹配。loan_status表中有5个member_id值在member_info中无法找到，因此grade字段显示为NA值。

#left模式匹配
merge(loan_status,member_info,all.x=TRUE,sort=TRUE)

8. right匹配

right与left模式正好相反，right模式是右匹配，以右边的数据表member_info为基础匹配左边的数据表loan_status。匹配不到的内容以NA值显示。下面通过文氏图说明right模式的匹配方法。Right模式匹配的结果显示了所有右边数据表的内容，以及和左边数据表共有的内容。

以下为使用right模式匹配拼接的结果，从结果表中可以看出right匹配模式保留了完整的member_info表，以此为基础对loan_status表进行匹配，在loan_status数据表中有3个条目在member_info数据表中无法找到，因此显示为了NA值。

#right模式匹配
merge(loan_status,member_info,all.y=TRUE,sort=TRUE)