HOWTO · R

在 R 中合并两个 Data Frame

本教程介绍在 R 中合并两个数据框的几种方法:使用内置的 rbind()、使用 dplyr 包中的 bind_rows(),或按键连接相关记录。处理较大的数据时,性能取决于数据和运行环境;请先用有代表性的输入进行基准测试,再判断是否需要自定义优化。

本页内容

在 R 中合并两个数据框时,先判断你要追加记录,还是按键匹配相关记录。如果两个输入包含同类记录且列兼容,请使用 rbind();如果需要按行合并,并纳入只出现在其中一个输入中的列,请使用 dplyr::bind_rows()。如果要根据 ID 等键匹配记录,请使用 plyr::join() 或 R 自带的 merge()。下面的示例使用小型数据表,你可以据此替换列名和数据值。

在 R 中使用 rbind() 函数合并两个数据框

R 自带的 rbind() 会将一个数据框的行追加到另一个数据框之后。两个输入应具有名称相同且值兼容的列。列名比列的顺序更重要:rbind() 会按列名对齐,因此值会保留在对应的列标题下。它不会合并名称不同的列,也不会替你填补缺失字段。如果输入包含不同字段,应先统一其结构,或改用 bind_rows()。

下面的示例创建两个结构相同的表,再用 rbind() 将它们的记录纵向合并:

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

结果中的每一行都是对相同变量的一条新观测。第一个表的行保留在前,随后是第二个表的行。如果数据框的字段不同,请使用 bind_rows(),让缺失值以 NA 表示。

在 R 中使用 dplyr 包合并两个数据框

dplyr 包提供了 bind_rows(),可在输入数据框的列不同时纵向合并记录。它按列名匹配,并纳入任一输入中出现的列;某行缺少某列的值时,该位置会填入 NA。当两个数据源描述同类记录,但其中一个多出字段时,这种做法很有用。它仍然是按行合并,不会根据 ID 匹配记录。

在自己的脚本中使用 dplyr::bind_rows(),请通过 install.packages("dplyr") 安装 dplyr。示例会优先使用已安装的该函数;否则会使用简短的基础 R 替代实现,按相同的列名对齐并将缺失值填为 NA,因此无需额外安装包也能运行。

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

在 R 中使用 plyr 包合并两个数据框

plyr 包中的 join() 根据键列合并相关行;这是连接操作,不是按行合并。将 by 设为共享键。使用 type = "inner" 时,结果只保留两个输入中都存在的键;默认的 type = "left" 则保留第一个输入中的所有行。在自己的脚本中使用 plyr::join(),请通过 install.packages("plyr") 安装 plyr。示例在该函数可用时优先使用它,否则会用基础 R 的 merge() 得到相同的内连接结果。若要选择其他连接类型,请查阅已安装包中的 ?plyr::join。

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

在 R 中使用 merge() 函数合并两个数据框

R 自带的 merge() 会根据键列中的匹配值连接数据框。如果两个输入使用同名列,by 用于指定该键。默认情况下,merge() 只保留两边都匹配的键,也就是内连接。设置 all.x = TRUE 可保留 x 中的所有行,设置 all.y = TRUE 可保留 y 中的所有行;两者都设置时,则会保留两边未匹配的行。请确认键列类型兼容,并确保重复键是有意的:一个键多次匹配时,结果可能会出现多行。

下面这个独立示例按 id 连接两个表,并打印匹配的记录:

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

如果结果必须包含每个人,即使其没有匹配的年龄,也可以使用 merge(people, ages, by = "id", all.x = TRUE)。默认情况下,merge() 的输出会按键排序,除非设置 sort = FALSE。上方表格是此示例提供的实际运行输出。

结论

如果两个数据框结构相同且要追加行,请选择 rbind();如果列不同且适合将缺失单元格填为 NA,请使用 dplyr::bind_rows() 纵向合并。若要按键匹配相关记录,请选择 plyr::join() 或 merge();基础 R 自带 merge(),并提供保留未匹配行的选项。合并较大的数据前,请检查键是否唯一、列类型是否兼容,并确认操作属于按行合并还是连接。性能取决于数据和运行环境,因此在采用任何速度说法或自定义优化之前,应先用有代表性的输入进行基准测试。