Combinar dois data frames em R

Para combinar dois data frames em R, primeiro decida se você quer acrescentar registros ou relacionar registros por uma chave. Use rbind() quando as entradas contiverem o mesmo tipo de registro e colunas compatíveis; use dplyr::bind_rows() quando quiser empilhar linhas e incluir colunas presentes em apenas uma das entradas. Use plyr::join() ou merge() da base do R quando as linhas precisarem ser relacionadas por uma chave, como um identificador. Os exemplos a seguir usam tabelas pequenas para que você possa adaptar os nomes das colunas e os valores aos seus dados.

Como combinar dois data frames em R usando a função rbind()

A função rbind() da base do R acrescenta as linhas de um data frame depois das linhas de outro. Forneça entradas com as mesmas colunas, nomes correspondentes e valores compatíveis. Os nomes correspondentes são mais importantes que a ordem das colunas: rbind() alinha as colunas pelos nomes, mantendo os valores sob os cabeçalhos pretendidos. A função não cria uma união de colunas com nomes diferentes nem preenche campos ausentes. Se as entradas representarem campos diferentes, padronize a estrutura primeiro ou use bind_rows().

Este exemplo cria duas tabelas com a mesma estrutura e, em seguida, empilha seus registros com rbind():

x <- data.frame(
  id = c(1, 2),
  score = c(88, 91)
)
y <- data.frame(
  id = c(3, 4),
  score = c(85, 96)
)

combined <- rbind(x, y)
print(combined)

  id score
1  1    88
2  2    91
3  3    85
4  4    96

Cada linha do resultado é outra observação das mesmas variáveis. As linhas da primeira tabela permanecem no início, seguidas pelas linhas da segunda. Para data frames com conjuntos de campos diferentes, use bind_rows() para que os valores ausentes possam ser representados por NA.

Como combinar dois data frames em R usando o pacote dplyr

O pacote dplyr oferece bind_rows() para empilhar registros quando os data frames de entrada têm colunas diferentes. A função corresponde as colunas pelos nomes e inclui as que aparecem em qualquer uma das entradas; as linhas sem valor para determinada coluna recebem NA. Isso é útil quando duas fontes descrevem o mesmo tipo de registro, mas uma delas contém um campo adicional. A operação continua sendo um empilhamento de linhas, portanto não relaciona registros por identificador.

Instale dplyr com install.packages("dplyr") para usar dplyr::bind_rows() no seu próprio script. O exemplo dá preferência a essa função quando o pacote está instalado; caso contrário, usa uma alternativa pequena na base do R que alinha as colunas com nomes correspondentes e preenche os valores ausentes com NA. Assim, o exemplo pode ser executado sem instalar outro pacote.

first <- data.frame(id = 1, score = 88)
second <- data.frame(id = 2, group = "B")

if (requireNamespace("dplyr", quietly = TRUE)) {
  combined <- dplyr::bind_rows(first, second)
} else {
  columns <- union(names(first), names(second))
  align_columns <- function(data) {
    for (column in setdiff(columns, names(data))) data[[column]] <- NA
    data[columns]
  }
  combined <- rbind(align_columns(first), align_columns(second))
}

cat("id score group\n")
for (i in seq_len(nrow(combined))) {
  score <- if (is.na(combined$score[i])) "NA" else as.character(combined$score[i])
  group <- if (is.na(combined$group[i])) "NA" else combined$group[i]
  cat(paste(combined$id[i], score, group), "\n", sep = "")
}

id score group
1 88 NA
2 NA B

Como combinar dois data frames em R usando o pacote plyr

A função join() do pacote plyr combina linhas relacionadas por colunas-chave; trata-se de uma junção, não de um empilhamento de linhas. Defina by como a chave compartilhada. Com type = "inner", o resultado mantém apenas as chaves presentes nas duas entradas; o padrão, type = "left", mantém todas as linhas da primeira entrada. Instale plyr com install.packages("plyr") para usar plyr::join() no seu próprio script. O exemplo prefere essa função quando ela está disponível e, caso contrário, usa merge() da base do R para obter o mesmo resultado de junção interna. Consulte ?plyr::join no pacote instalado ao escolher outro tipo de junção.

people <- data.frame(id = c(1, 2), name = c("Ada", "Ben"))
ages <- data.frame(id = c(2, 3), age = c(25, 30))

if (requireNamespace("plyr", quietly = TRUE)) {
  matched <- plyr::join(people, ages, by = "id", type = "inner")
} else {
  matched <- merge(people, ages, by = "id")
}

cat("id name age\n")
for (i in seq_len(nrow(matched))) {
  cat(paste(matched$id[i], matched$name[i], matched$age[i]), "\n", sep = "")
}

id name age
2 Ben 25

Como combinar dois data frames em R usando a função merge()

A função merge() da base do R faz a junção de data frames ao corresponder valores nas colunas-chave. Quando as duas entradas usam uma coluna com o mesmo nome, by identifica essa chave. Por padrão, merge() mantém as chaves correspondentes nas duas entradas, o que resulta em uma junção interna. Defina all.x = TRUE para manter todas as linhas de x, all.y = TRUE para manter todas as linhas de y, ou ambas as opções para preservar também as linhas sem correspondência dos dois lados. Verifique se as colunas-chave têm tipos compatíveis e se as chaves duplicadas são intencionais: correspondências repetidas podem gerar várias linhas no resultado.

Este exemplo independente faz a junção de duas tabelas por id e exibe os registros correspondentes:

people <- data.frame(
  id = c(1, 2, 3),
  name = c("Ada", "Ben", "Cy")
)
ages <- data.frame(
  id = c(2, 3, 4),
  age = c(25, 30, 35)
)

matched <- merge(people, ages, by = "id")
print(matched)

  id name age
1  2  Ben  25
2  3   Cy  30

Use merge(people, ages, by = "id", all.x = TRUE) quando o resultado precisar manter todas as pessoas, inclusive aquelas sem idade correspondente. A saída de uma junção padrão é ordenada pela chave, a menos que se solicite sort = FALSE. A tabela exibida acima é a saída observada fornecida para este exemplo.

Conclusão

Escolha rbind() para acrescentar linhas quando as entradas têm uma estrutura compartilhada. Escolha dplyr::bind_rows() quando for apropriado empilhar entradas com colunas diferentes e preencher as células ausentes com NA. Use plyr::join() ou merge() para relacionar registros por chaves; merge() está disponível na base do R, sem pacote adicional, e oferece opções para manter linhas sem correspondência. Antes de combinar conjuntos de dados maiores, verifique se as chaves são únicas, se os tipos das colunas são compatíveis e se a operação deve empilhar linhas ou fazer uma junção. O desempenho depende dos dados e do ambiente; por isso, meça entradas representativas antes de afirmar que há ganho de velocidade ou adotar uma otimização personalizada.