dplyr::left_join 是不是等同于 base::merge(..., all.x=TRUE)？

Posted 2023-02-16

【中文标题】dplyr::left_join 是不是等同于 base::merge(..., all.x=TRUE)？

【英文标题】：Is dplyr::left_join equivalent to base::merge(..., all.x=TRUE)?dplyr::left_join 是否等同于 base::merge(..., all.x=TRUE)？

【发布时间】：2018-08-06 01:30:03

【问题描述】：

我有很多旧的 R 代码使用以下语法来执行我认为的左连接（或者如果您更喜欢 SQL 名称，则为左外连接）：

merge(a, b, by="id", all.x=TRUE)

在我看来，这完全等同于使用dplyr的专用功能：

left_join(a, b, by="id")

我想知道这是否总是如此，或者两者在某些情况下是否会导致不同的结果。请随时提供示例，说明何时可以将它们视为等效，何时不等效。

在这个愚蠢的例子中，两者似乎产生了相同的结果

require(dplyr)

a = data.frame(id=1:4, c(letters[1:3], NA)) %>% as_tibble()
b = data.frame(id=1:2) %>% as_tibble()

all_equal(left_join(b, a, by="id"), merge(b, a, by='id', all.x = T))
# TRUE

我为什么要问这个问题？

我问这个是因为，例如，stats::aggregate 和 dplyr::group_by，如果与默认参数一起使用，则不等效：

a %>% group_by(letter) %>% summarise(mean(id))

# # A tibble: 4 x 2
# letter `mean(id)`
# <fct>       <dbl>
# 1 a            1.00
# 2 b            2.00
# 3 c            3.00
# 4 <NA>         4.00

aggregate(id ~ letter, data = a, FUN = mean)

# letter id
# 1      a  1
# 2      b  2
# 3      c  3 

如果您从 dplyr 的数据中省略 NA，它们是否会给出相同的结果（因为聚合的默认值是 na.omit）。我也在问，因为在处理大型数据集时，很难一眼看出为什么会发生某些事情（尤其是在处理一些不是你编写的代码时），如果你必须做一些维护工作，像那些无害的组织上面介绍的可能会导致输出发生重大变化。

编辑：我正在使用 dplyr 0.7.4 和 R 3.4.1。

【问题讨论】：

请注意，merge 可能会重新排序数据。请参阅?merge：“默认情况下，行在公共列上按字典顺序排序，但sort = FALSE 的顺序为未指定的顺序。”参见例如Merge two data frames while keeping the original row order

有趣。当使用带有默认参数的 all_equal 检查相等性时，这当然不会出现。

【参考方案1】：

tidyverse 函数使用 de NA 作为数据的一部分，因为它应该解释“已识别”数据无法解释的信息的某些方面。换句话说，您必须使用特定的函数来删除NA values。在您的示例中，有许多方法可以执行相同的过程并获得相同的结果。例如，考虑na.omit() 函数：

library(tidyverse) #This include dplyr package

a = data.frame(id = 1:4, 
               letter = c(letters[1:3], NA)
               ) %>% as_tibble()

all.equal(
  a %>% 
    na.omit(letter) %>% #This drop NA values in the column "letter" 
    group_by(letter) %>% 
    summarise(id = mean(id)),

  aggregate(id ~ letter, 
            data = a, 
            FUN = mean ))
#>[1] TRUE

其他例子是使用filter()函数：

all.equal(
  a %>% 
    filter(!is.na(letter)) %>% #This drop NA values in the column "letter" 
    group_by(letter) %>% 
    summarise(id = mean(id)),

  aggregate(id ~ letter, 
            data = a, 
            FUN = mean ))
#>[1] TRUE

希望能帮到你！