检查具有数字和字符数据的 2 个数据帧之间差异的最有效方法?
Posted
技术标签:
【中文标题】检查具有数字和字符数据的 2 个数据帧之间差异的最有效方法?【英文标题】:Most efficient way to check difference between 2 dataframes with numeric & character data? 【发布时间】:2017-10-20 09:51:28 【问题描述】:我在 R 中有两个数据框,每个数据框具有相同的列和数据类型。有些列是基于文本的,有些是数字,有些是日期。但是,相同的列在两个数据框中具有相同类型的数据。两者的唯一标识符也相同,即主键匹配。
现在,我想创建第三个数据框,它基本上为每个主键捕获,相应列的 DF1 和 DF2 中的值有什么区别。当要检查的列是字符时,我们可以简单地说 1 或 0 表示差异。当它是数字时,我们可以捕获差异量,或者可能只是 1 或 0。
在 R 中最有效的方法是什么?我不想逐行比较,因为它很慢。逐列比较会很好,但这似乎也需要太多的手动监督。理想情况下,寻找一些可以帮助我做到这一点的数据框级函数。
可重现和可编辑的示例:
Dataframe1:
ID val1 date1 chrval1 val3
A1 400 3/4/2017 DR9912YS -43
A2 230 3/4/2017 ER9F4YS -43
A3 500 31/2/2015 FFR99S -49
Dataframe2:
ID val1 date1 chrval1 val3
A1 400 3/4/2017 DR9912YS -43
A2 400 3/4/2017 DR9912YS -43
A3 400 31/4/2017 DR9912YS -43
Ideally this is what I am looking for:
Difference Dataframe:
ID val1 date1 chrval1 val3
A1 0 0 True 0
A2 170 0 False 0
A3 -100 0/2/2 False 5
【问题讨论】:
有趣的问题。据我所知,通常很难对数据进行测试。函数identical
可能会有所帮助。看看here
@DJJ 我看到了,但这基本上告诉我它们是否完全匹配。我需要更多细节。还有什么有用的吗?我愿意根据数据类型将我的数据帧分成两个或三个拆分..
你想对因子变量做什么?此外,日期差异对我来说没有意义。 2017 年 1 月 1 日和 2017 年 1 月 2 日之间的差异是 0/1/0。 dfference1/2/2017 和 1/3/2017 也是 0/1/0。显然,这两个时期的长度是不同的。
【参考方案1】:
刚刚煮熟了一些东西。它不处理日期大小写。
我正在使用库 gtools 中的宏。我不确定这是否有必要,但我对此有所了解。
library(gtools)
桌子。 read.table
非常适合轻松复制数据。
aa <- read.table(header=TRUE,text="
ID val1 date1 chrval1 val3
A1 400 3/4/2017 DR9912YS -43
A2 230 3/4/2017 ER9F4YS -43
A3 500 31/2/2015 FFR99S -49")
bb <- read.table(header=TRUE,text="
ID val1 date1 chrval1 val3
A1 400 3/4/2017 DR9912YS -43
A2 400 3/4/2017 DR9912YS -43
A3 400 31/4/2017 DR9912YS -43")
这是一个执行以下操作的简单宏。如果fn1
产生错误,它将捕获并使用fn2
。可能不是
最合适的方法。随时改进。
expect_error <- defmacro(fn1,fn2,expr=
tryCatch(fn1(x,y),
error=function(e) mytc(fn2(x,y))
))
它也有一个 this 函数。根据暴击使用fn1
或fn2
。
例如crit=is.numeric
。如果暴击为真,则使用fn1
,否则使用fn2
。
condlapply <- function(lst, crit, fn1, fn2)
lapply(lst, function(x) if(crit(x))
fn1(x) else fn2(x))
一些简单的功能
myequal <- function(x,y=1)
`==`(x,y)
mydiff <- function(x,y)
`-`(x,y)
res <- data.frame(sapply(Map(function(x,y) expect_error(mydiff,myequal),aa,bb),c))
这里懒得用 ID 了。
res$ID <- aa$ID
## res
## ID val1 date1 chrval1 val3
## 1 A1 0 1 1 0
## 2 A2 -170 1 0 0
## 3 A3 100 0 0 -6
我们可以在一个函数中结束
check_df <- function(df1,df2)
### DD
## df1, df2 . data.frames
res <- data.frame(sapply(Map(function(x,y) expect_error(mydiff,myequal),df1,df2),c))
res$ID <- aa$ID
res
【讨论】:
【参考方案2】:在基础 R 中:
# merge the two dataframes
dfm <- merge(df1, df2, by = 'ID')
# create numeric vectors for the column-names ending with '.x' and '.y'
xvec <- grep('.x', names(dfm), fixed = TRUE)
yvec <- grep('.y', names(dfm), fixed = TRUE)
# determine which columns are not of the character class
non_char <- which(sapply(dfm, class) != 'character')
# create a new dataframe by binding the 'ID' column
# with the difference of the '.x' & '.y' columns
dfnew <- cbind.data.frame(ID = dfm$ID,
dfm[, intersect(yvec, non_char)] - dfm[, intersect(xvec, non_char)],
chrval1 = dfm$chrval1.x == dfm$chrval1.y)
# remove the '.y' from the column-names of the new dataframe
names(dfnew) <- gsub('.y','',names(dfnew),fixed=TRUE)
给出:
> dfnew
ID val1 date1 val3 chrval1
1 A1 0 0 days 0 TRUE
2 A2 170 0 days 0 FALSE
3 A3 -100 733 days 6 FALSE
就内存效率和速度而言,data.table
-package 可能是最佳选择。然后你可以这样做:
library(data.table)
setDT(df1)
setDT(df2)
df1[df2, on = 'ID', `:=` (val1 = i.val1 - x.val1,
dat1 = as.numeric(i.date1) - as.numeric(x.date1),
chrval1 = i.chrval1 == x.chrval1,
val3 = i.val3 - x.val3)][, date1:= NULL][]
给出:
> df1
ID val1 date1 chrval1 val3
1: A1 0 1970-01-01 TRUE 0
2: A2 170 1970-01-01 FALSE 0
3: A3 -100 1972-01-04 FALSE 6
使用的数据:
df1 <- structure(list(ID = c("A1", "A2", "A3"),
val1 = c(400L, 230L, 500L),
date1 = structure(c(17290, 17290, 16557), class = "Date"),
chrval1 = c("DR9912YS", "ER9F4YS", "FFR99S"),
val3 = c(-43L, -43L, -49L)),
.Names = c("ID", "val1", "date1", "chrval1", "val3"), row.names = c(NA, -3L), class = "data.frame")
df2 <- structure(list(ID = c("A1", "A2", "A3"),
val1 = c(400L, 400L, 400L),
date1 = structure(c(17290, 17290, 17290), class = "Date"),
chrval1 = c("DR9912YS", "DR9912YS", "DR9912YS"),
val3 = c(-43L, -43L, -43L)),
.Names = c("ID", "val1", "date1", "chrval1", "val3"), row.names = c(NA, -3L), class = "data.frame")
【讨论】:
以上是关于检查具有数字和字符数据的 2 个数据帧之间差异的最有效方法?的主要内容,如果未能解决你的问题,请参考以下文章