webdevqa.jp.net

2つのdata.framesを比較して、data.frame 2に存在しないdata.frame 1の行を見つけます。

次の2つのdata.framesがあります。

a1 <- data.frame(a = 1:5, b=letters[1:5])
a2 <- data.frame(a = 1:3, b=letters[1:3])

行a1にはa2にはない行があります。

このタイプの操作用の組み込み関数はありますか?

p

ここに私の解決策があります:

a1 <- data.frame(a = 1:5, b=letters[1:5])
a2 <- data.frame(a = 1:3, b=letters[1:3])

rows.in.a1.that.are.not.in.a2  <- function(a1,a2)
{
    a1.vec <- apply(a1, 1, paste, collapse = "")
    a2.vec <- apply(a2, 1, paste, collapse = "")
    a1.without.a2.rows <- a1[!a1.vec %in% a2.vec,]
    return(a1.without.a2.rows)
}
rows.in.a1.that.are.not.in.a2(a1,a2)
140
Tal Galili

これはあなたの質問に直接答えるものではありませんが、共通する要素を提供します。これは、Paul Murrellのパッケージ compare で実行できます。

library(compare)
a1 <- data.frame(a = 1:5, b = letters[1:5])
a2 <- data.frame(a = 1:3, b = letters[1:3])
comparison <- compare(a1,a2,allowAll=TRUE)
comparison$tM
#  a b
#1 1 a
#2 2 b
#3 3 c

関数compareを使用すると、許可される比較の種類(たとえば、各ベクトルの要素の順序の変更、変数の順序と名前の変更、変数の短縮、文字列の大文字と小文字の変更)に関して柔軟性が高くなります。これから、どちらが欠けているのかを把握できるはずです。例(これはあまりエレガントではありません):

difference <-
   data.frame(lapply(1:ncol(a1),function(i)setdiff(a1[,i],comparison$tM[,i])))
colnames(difference) <- colnames(a1)
difference
#  a b
#1 4 d
#2 5 e
81
nullglob

SQLDFは素敵なソリューションを提供します

a1 <- data.frame(a = 1:5, b=letters[1:5])
a2 <- data.frame(a = 1:3, b=letters[1:3])

require(sqldf)

a1NotIna2 <- sqldf('SELECT * FROM a1 EXCEPT SELECT * FROM a2')

そして、両方のデータフレームにある行:

a1Ina2 <- sqldf('SELECT * FROM a1 INTERSECT SELECT * FROM a2')

dplyrの新しいバージョンには、anti_joinという関数があり、これらの比較を正確に行うことができます。

require(dplyr) 
anti_join(a1,a2)

semi_joinは、a1にあるa2の行をフィルタリングします。

semi_join(a1,a2)
128
Rickard

dplyr

setdiff(a1,a2)

基本的に、setdiff(bigFrame, smallFrame)は、最初のテーブルの追加レコードを取得します。

SQLverseでは、これは

Left Excluding Join Venn Diagram

すべての結合オプションと設定された主題の適切な説明については、これは私がこれまでにまとめた最高の要約の1つです: http://www.vertabelo.com/blog/technical-articles/sql-joins

しかし、この質問に戻ります-OPのデータを使用した場合のsetdiff()コードの結果は次のとおりです。

> a1
  a b
1 1 a
2 2 b
3 3 c
4 4 d
5 5 e

> a2
  a b
1 1 a
2 2 b
3 3 c

> setdiff(a1,a2)
  a b
1 4 d
2 5 e

または、anti_join(a1,a2)でも同じ結果が得られます。
詳細: https://www.rstudio.com/wp-content/uploads/2015/02/data-wrangling-cheatsheet.pdf

56
leerssej

この特定の目的には確かに効率的ではありませんが、これらの状況で私がよくやることは、各data.frameにインジケーター変数を挿入してからマージすることです:

a1$included_a1 <- TRUE
a2$included_a2 <- TRUE
res <- merge(a1, a2, all=TRUE)

included_a1の欠損値は、a1で欠損している行を記録します。 a2についても同様です。

ソリューションの1つの問題は、列の順序が一致する必要があることです。別の問題は、実際には異なる場合に行が同じようにコーディングされる状況を想像しやすいことです。マージを使用する利点は、適切なソリューションに必要なすべてのエラーチェックを無料で取得できることです。

39
Eduardo Leoni

同じ問題が発生したため、パッケージを作成しました( https://github.com/alexsanjoseph/compareDF )。

  > df1 <- data.frame(a = 1:5, b=letters[1:5], row = 1:5)
  > df2 <- data.frame(a = 1:3, b=letters[1:3], row = 1:3)
  > df_compare = compare_df(df1, df2, "row")

  > df_compare$comparison_df
    row chng_type a b
  1   4         + 4 d
  2   5         + 5 e

より複雑な例:

library(compareDF)
df1 = data.frame(id1 = c("Mazda RX4", "Mazda RX4 Wag", "Datsun 710",
                         "Hornet 4 Drive", "Duster 360", "Merc 240D"),
                 id2 = c("Maz", "Maz", "Dat", "Hor", "Dus", "Mer"),
                 hp = c(110, 110, 181, 110, 245, 62),
                 cyl = c(6, 6, 4, 6, 8, 4),
                 qsec = c(16.46, 17.02, 33.00, 19.44, 15.84, 20.00))

df2 = data.frame(id1 = c("Mazda RX4", "Mazda RX4 Wag", "Datsun 710",
                         "Hornet 4 Drive", " Hornet Sportabout", "Valiant"),
                 id2 = c("Maz", "Maz", "Dat", "Hor", "Dus", "Val"),
                 hp = c(110, 110, 93, 110, 175, 105),
                 cyl = c(6, 6, 4, 6, 8, 6),
                 qsec = c(16.46, 17.02, 18.61, 19.44, 17.02, 20.22))

> df_compare$comparison_df
    grp chng_type                id1 id2  hp cyl  qsec
  1   1         -  Hornet Sportabout Dus 175   8 17.02
  2   2         +         Datsun 710 Dat 181   4 33.00
  3   2         -         Datsun 710 Dat  93   4 18.61
  4   3         +         Duster 360 Dus 245   8 15.84
  5   7         +          Merc 240D Mer  62   4 20.00
  6   8         -            Valiant Val 105   6 20.22

パッケージには、迅速なチェックのためのhtml_outputコマンドもあります

df_compare $ html_output enter image description here

24
Alex Joseph

daff package を使用できます(これは daff.js library を使用して V8 package を使用します):

library(daff)

diff_data(data_ref = a2,
          data = a1)

次の差分オブジェクトを生成します。

Daff Comparison: ‘a2’ vs. ‘a1’ 
  First 6 and last 6 patch lines:
   @@   a   b
1 ... ... ...
2       3   c
3 +++   4   d
4 +++   5   e
5 ... ... ...
6 ... ... ...
7       3   c
8 +++   4   d
9 +++   5   e

Diff形式は テーブル用のCoopy highlighter diff形式 で説明されており、一目瞭然です。最初の列+++@@である行は、a1で新しく、a2にない行です。

相違オブジェクトは、patch_data()を使用して、write_diff()を使用してドキュメント化の目的で差分を保存するか、またはrender_diff()を使用して相違を視覚化に使用できます。

render_diff(
    diff_data(data_ref = a2,
              data = a1)
)

きちんとしたHTML出力を生成します:

enter image description here

11
Salim B

diffobjパッケージの使用:

library(diffobj)

diffPrint(a1, a2)
diffObj(a1, a2)

enter image description here

enter image description here

10
zx8754

merge関数を調整して、この機能を取得しました。大きなデータフレームでは、フルマージソリューションよりも少ないメモリを使用します。そして、キー列の名前で遊ぶことができます。

別の解決策は、ライブラリprobを使用することです。

#  Derived from src/library/base/R/merge.R
#  Part of the R package, http://www.R-project.org
#
#  This program is free software; you can redistribute it and/or modify
#  it under the terms of the GNU General Public License as published by
#  the Free Software Foundation; either version 2 of the License, or
#  (at your option) any later version.
#
#  This program is distributed in the hope that it will be useful,
#  but WITHOUT ANY WARRANTY; without even the implied warranty of
#  MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.  See the
#  GNU General Public License for more details.
#
#  A copy of the GNU General Public License is available at
#  http://www.r-project.org/Licenses/

XinY <-
    function(x, y, by = intersect(names(x), names(y)), by.x = by, by.y = by,
             notin = FALSE, incomparables = NULL,
             ...)
{
    fix.by <- function(by, df)
    {
        ## fix up 'by' to be a valid set of cols by number: 0 is row.names
        if(is.null(by)) by <- numeric(0L)
        by <- as.vector(by)
        nc <- ncol(df)
        if(is.character(by))
            by <- match(by, c("row.names", names(df))) - 1L
        else if(is.numeric(by)) {
            if(any(by < 0L) || any(by > nc))
                stop("'by' must match numbers of columns")
        } else if(is.logical(by)) {
            if(length(by) != nc) stop("'by' must match number of columns")
            by <- seq_along(by)[by]
        } else stop("'by' must specify column(s) as numbers, names or logical")
        if(any(is.na(by))) stop("'by' must specify valid column(s)")
        unique(by)
    }

    nx <- nrow(x <- as.data.frame(x)); ny <- nrow(y <- as.data.frame(y))
    by.x <- fix.by(by.x, x)
    by.y <- fix.by(by.y, y)
    if((l.b <- length(by.x)) != length(by.y))
        stop("'by.x' and 'by.y' specify different numbers of columns")
    if(l.b == 0L) {
        ## was: stop("no columns to match on")
        ## returns x
        x
    }
    else {
        if(any(by.x == 0L)) {
            x <- cbind(Row.names = I(row.names(x)), x)
            by.x <- by.x + 1L
        }
        if(any(by.y == 0L)) {
            y <- cbind(Row.names = I(row.names(y)), y)
            by.y <- by.y + 1L
        }
        ## create keys from 'by' columns:
        if(l.b == 1L) {                  # (be faster)
            bx <- x[, by.x]; if(is.factor(bx)) bx <- as.character(bx)
            by <- y[, by.y]; if(is.factor(by)) by <- as.character(by)
        } else {
            ## Do these together for consistency in as.character.
            ## Use same set of names.
            bx <- x[, by.x, drop=FALSE]; by <- y[, by.y, drop=FALSE]
            names(bx) <- names(by) <- paste("V", seq_len(ncol(bx)), sep="")
            bz <- do.call("paste", c(rbind(bx, by), sep = "\r"))
            bx <- bz[seq_len(nx)]
            by <- bz[nx + seq_len(ny)]
        }
        comm <- match(bx, by, 0L)
        if (notin) {
            res <- x[comm == 0,]
        } else {
            res <- x[comm > 0,]
        }
    }
    ## avoid a copy
    ## row.names(res) <- NULL
    attr(res, "row.names") <- .set_row_names(nrow(res))
    res
}


XnotinY <-
    function(x, y, by = intersect(names(x), names(y)), by.x = by, by.y = by,
             notin = TRUE, incomparables = NULL,
             ...)
{
    XinY(x,y,by,by.x,by.y,notin,incomparables)
}
8
Henrico

サンプルデータには重複はありませんが、ソリューションはそれらを自動的に処理します。これは、重複の場合、潜在的にいくつかの答えが関数の結果と一致しないことを意味します。
これは、あなたと同じ方法でアドレスを複製する私のソリューションです。また、優れた拡張性もあります!

a1 <- data.frame(a = 1:5, b=letters[1:5])
a2 <- data.frame(a = 1:3, b=letters[1:3])
rows.in.a1.that.are.not.in.a2  <- function(a1,a2)
{
    a1.vec <- apply(a1, 1, paste, collapse = "")
    a2.vec <- apply(a2, 1, paste, collapse = "")
    a1.without.a2.rows <- a1[!a1.vec %in% a2.vec,]
    return(a1.without.a2.rows)
}

library(data.table)
setDT(a1)
setDT(a2)

# no duplicates - as in example code
r <- fsetdiff(a1, a2)
all.equal(r, rows.in.a1.that.are.not.in.a2(a1,a2))
#[1] TRUE

# handling duplicates - make some duplicates
a1 <- rbind(a1, a1, a1)
a2 <- rbind(a2, a2, a2)
r <- fsetdiff(a1, a2, all = TRUE)
all.equal(r, rows.in.a1.that.are.not.in.a2(a1,a2))
#[1] TRUE

Data.table 1.9.8+が必要です

5
jangorecki

単純すぎるかもしれませんが、このソリューションを使用したので、データセットの比較に使用できる主キーがある場合に非常に便利です。それが役立つことを願っています。

a1 <- data.frame(a = 1:5, b = letters[1:5])
a2 <- data.frame(a = 1:3, b = letters[1:3])
different.names <- (!a1$a %in% a2$a)
not.in.a2 <- a1[different.names,]
2
Kenia Sousa

subsetの使用:

missing<-subset(a1, !(a %in% a2$a))
1
Emily

Plyrのmatch_dfに基づくさらに別のソリューション。 plyrのmatch_dfは次のとおりです。

match_df <- function (x, y, on = NULL) 
{
    if (is.null(on)) {
        on <- intersect(names(x), names(y))
        message("Matching on: ", paste(on, collapse = ", "))
    }
    keys <- join.keys(x, y, on)
    x[keys$x %in% keys$y, , drop = FALSE]
}

以下を無効にするように変更できます。

library(plyr)
negate_match_df <- function (x, y, on = NULL) 
{
    if (is.null(on)) {
        on <- intersect(names(x), names(y))
        message("Matching on: ", paste(on, collapse = ", "))
    }
    keys <- join.keys(x, y, on)
    x[!(keys$x %in% keys$y), , drop = FALSE]
}

次に:

diff <- negate_match_df(a1,a2)
1
chrisendres