数据分析中的"国道"—连接 / 开普饭

“ No one konws everything, and you don't have to.” --free傻孩子

"R数据分析"专题·第2篇

编辑 | free傻孩子

4445字 | 7分钟阅读

本期推送内容：

本期为大家推荐的是dplyr中常用的功能—连接。连接包括两类：合并连接和筛选连接。若上一期（“用R为数据分析插上翅膀”）推荐的五个函数是数据分析中的“翅膀”，那么本期推荐的几个函数则是连接不同数据的“国道”。这些函数包括：inner_join, left_join, right_join, full_join and semi_join。前四个为合并连接，最后一个则为筛选连接。

前沿介绍

有时候我们需要/关注的数据不是在一个数据表格中，而是在不同的表格中。例如在高通量测序数据分析时经常是OTU测序的reads在一个表格，而分类信息在另一个表格；或者我们已知道了经纬度数据，但是需要的年平均温度、年降雨量等数据在WorldClim数据库中。此时如何根据已有的样方名、经纬度等“键”信息找到需要的数据呢？

熟悉excel的朋友们大概对VLOOKUP函数不陌生，该函数就能够实现部分类似于连接的功能。但是VLOOKUP无法处理更大的数据，也没办法直接处理存在两个“键”以上情况的数据。

什么是“键”？键就是连接两个数据的关键列，如"样方"所在的列，如"经度" 和“纬度”等。由此可见键的特点一般是unique的，所以判断某一列是否能作为键，首先需要判断的是该列是否在不同表格中均存在，其次是判断该列是否unique。

内连接—inner_join

该函数的作用是通过“键”，保留两个表格中共有的部分。

代码如下：

1）先构建两个数据框：df1 和 df2

library(tidyverse)

# if you have not installed this packages,

#you can use the following code :" install.packages("tidyverse") "

df1 <- tibble( names = paste0("Sample", 1:12), A = (2:13), B = rnorm(12), C = A*2, lat = c(10,20,30,40,50,60,70,80,90,100,110,120), long = c(-5,0,5,10,15,20,25,30,35,40,45,50) ) df2 <- tibble( names = paste0("Sample", 1:6), group1 = rep(c("treat1","treat2"),each= 3), lat = c(20,40,80,90,100,120), long = c(0,10,30,35,40,50), MAT = c(22,23,25,28,30,35) ) df2

数据形式如下：

我们的目的是使用df1中的样方名在df2中挑选对应的数据：

代码如下：

df1 %>%

  inner_join(df2, by = "names")

结果如下：

由以上数据可见：内连接是通过“键”（也就是数据中的names）保留两个数据df1和df2中共同存在的部分。

外连接—左，右和全连接

有时候我们并不是找两个表格中共同存在的部分，而是在表格中找到对应“键”的其它信息。

这时候我们可能需要用到外连接，外连接包括左连接（left_join），右连接（right_join）和全连接（full_join）。

目的1：在df2找到所有df1的names对应的数据

代码如下：

df1 %>%

  left_join(df2, by = "names")

注意：左连接不会丢弃df1数据中，对应的键在df2中没有数据的部分，而是会通过NA自动补全。

目的2：在df1中找到所有对应df2 的names对应的数据。

代码如下：

df1 %>%

  right_join(df2, by = "names")

注意：相似于左连接，右连接也会自动补齐df2的键（也就是names）在df1数据中不存在的数据。只是本次所使用的数据只是自己随便编辑的数据，df1中包含了所有df2的键所对应的数据。

目的3：找到df1中的经（long）度和纬度（lat）在df2中对应的年平均温度。注意：经纬度和温度均为我随便写的数据。

df1 %>%

  left_join(df2, by = c("lat","long"))

相比于内连接（inner_join）来说，外连接不会造成原来数据信息的丢弃。因此，我更加推荐外连接。

对于全连接（full_join），感兴趣的朋友可以自己试一下，我自己不怎么用。

筛选连接

无论是内连接还是外连接，都会保留两个数据中的部分数据，但是有时候我只想根据键，在另一个表格中筛选一些信息，而不想保留键所在的数据框中的其它数据，此时如何做呢？

此时需要用到筛选连接：

目的：在df1数据中，筛选df2的names对应的数据，但是不保留df2已经包含的数据。

df1 %>%

  semi_join(df2, by = "names")

数据分析中的"国道"—连接

相关推荐