当它们具有不同的列集时，按行组合两个数据帧（rbind）
Posted
技术标签:
【中文标题】当它们具有不同的列集时，按行组合两个数据帧（rbind）【英文标题】：Combine two data frames by rows (rbind) when they have different sets of columns 【发布时间】：2011-03-25 01:28:20 【问题描述】：是否可以行绑定两个没有相同列集的数据框？我希望保留绑定后不匹配的列。
【问题讨论】：
【参考方案1】：大多数基本 R 答案都解决了只有一个 data.frame 具有附加列或生成的 data.frame 将具有列的交集的情况。由于 OP 写 我希望保留绑定后不匹配的列，因此使用基本 R 方法解决此问题的答案可能值得发布。
下面，我介绍了两种基本的 R 方法：一种改变原始 data.frames，另一种不改变。此外，我提供了一种方法，可以将非破坏性方法推广到两个以上的 data.frames。
首先，让我们获取一些示例数据。
# sample data, variable c is in df1, variable d is in df2
df1 = data.frame(a=1:5, b=6:10, d=month.name[1:5])
df2 = data.frame(a=6:10, b=16:20, c = letters[8:12])
两个 data.frames，改变原件
为了在 rbind 中保留两个 data.frames 中的所有列（并允许函数正常工作而不会导致错误），您将 NA 列添加到每个 data.frame 并使用 setdiff 填写适当的缺失名称.
# fill in non-overlapping columns with NAs
df1[setdiff(names(df2), names(df1))] <- NA
df2[setdiff(names(df1), names(df2))] <- NA
现在，rbind-em
rbind(df1, df2)
a b d c
1 1 6 January <NA>
2 2 7 February <NA>
3 3 8 March <NA>
4 4 9 April <NA>
5 5 10 May <NA>
6 6 16 <NA> h
7 7 17 <NA> i
8 8 18 <NA> j
9 9 19 <NA> k
10 10 20 <NA> l
请注意，前两行更改了原始 data.frames，df1 和 df2，将完整的列集添加到两者中。
两个data.frames，不要更改原件
要保持原始 data.frames 完整，首先遍历不同的名称，返回一个命名的 NA 向量，这些向量使用c 与 data.frame 连接到一个列表中。然后，data.frame 将结果转换为适合rbind 的data.frame。
rbind(
data.frame(c(df1, sapply(setdiff(names(df2), names(df1)), function(x) NA))),
data.frame(c(df2, sapply(setdiff(names(df1), names(df2)), function(x) NA)))
)
很多data.frames，不要更改原件 如果您有两个以上的 data.frame，您可以执行以下操作。
# put data.frames into list (dfs named df1, df2, df3, etc)
mydflist <- mget(ls(pattern="df\\d+"))
# get all variable names
allNms <- unique(unlist(lapply(mydflist, names)))
# put em all together
do.call(rbind,
lapply(mydflist,
function(x) data.frame(c(x, sapply(setdiff(allNms, names(x)),
function(y) NA)))))
看不到原始 data.frames 的行名可能会更好一些？然后执行此操作。
do.call(rbind,
c(lapply(mydflist,
function(x) data.frame(c(x, sapply(setdiff(allNms, names(x)),
function(y) NA)))),
make.row.names=FALSE))
【讨论】：
我有 16 个数据框，其中一些具有不同的列（每列大约有 70-90 列）。当我尝试这个时，我被第一个命令 只是链接到@GKi @sar 使用mydflist <- list(as, dr, kr, hyt, ed1, of)。这应该构造一个不会增加环境大小的列表对象，而只是指向列表的每个元素（只要您之后不更改任何内容）。操作完成后，移除列表对象，以防万一。【参考方案2】：
最近的解决方案是使用dplyr 的bind_rows 函数，我认为它比smartbind 更有效。
df1 <- data.frame(a = c(1:5), b = c(6:10))
df2 <- data.frame(a = c(11:15), b = c(16:20), c = LETTERS[1:5])
dplyr::bind_rows(df1, df2)
a b c
1 1 6 <NA>
2 2 7 <NA>
3 3 8 <NA>
4 4 9 <NA>
5 5 10 <NA>
6 11 16 A
7 12 17 B
8 13 18 C
9 14 19 D
10 15 20 E
【讨论】：
我正在尝试将大量数据帧 (16) 与不同的列名组合在一起尝试此操作时出现错误错误：列ABC 无法从字符转换为数字。有没有办法先转换列？
@sar: df$column dplyr.tidyverse.org/reference/mutate_all.html
现代 dplyr 实现将是 ... %>% mutate(across(c(char_column1, char_column2), ~ as.numeric(.x)) %>% ...【参考方案3】：
data.table 的替代方案：
library(data.table)
df1 = data.frame(a = c(1:5), b = c(6:10))
df2 = data.frame(a = c(11:15), b = c(16:20), c = LETTERS[1:5])
rbindlist(list(df1, df2), fill = TRUE)
rbind 也可以在data.table 中工作，只要将对象转换为data.table 对象，所以
rbind(setDT(df1), setDT(df2), fill=TRUE)
在这种情况下也可以使用。当您有几个 data.tables 并且不想构建列表时，这可能更可取。
【讨论】：
这是最简单、开箱即用的解决方案，可以轻松推广到任意数量的数据帧，因为您可以将它们全部存储在单独的列表元素中。其他答案，例如intersect 方法，仅适用于 2 个数据帧并且不容易泛化。【参考方案4】：
您也可以使用sjmisc::add_rows()，它使用dplyr::bind_rows()，但与bind_rows() 不同的是，add_rows() 保留属性，因此对labelled data 很有用。
请参见以下带有标记数据集的示例。 frq()-函数打印带有值标签的频率表，如果数据被标记。
library(sjmisc)
library(dplyr)
data(efc)
# select two subsets, with some identical and else different columns
x1 <- efc %>% select(1:5) %>% slice(1:10)
x2 <- efc %>% select(3:7) %>% slice(11:20)
str(x1)
#> 'data.frame': 10 obs. of 5 variables:
#> $ c12hour : num 16 148 70 168 168 16 161 110 28 40
#> ..- attr(*, "label")= chr "average number of hours of care per week"
#> $ e15relat: num 2 2 1 1 2 2 1 4 2 2
#> ..- attr(*, "label")= chr "relationship to elder"
#> ..- attr(*, "labels")= Named num 1 2 3 4 5 6 7 8
#> .. ..- attr(*, "names")= chr "spouse/partner" "child" "sibling" "daughter or son -in-law" ...
#> $ e16sex : num 2 2 2 2 2 2 1 2 2 2
#> ..- attr(*, "label")= chr "elder's gender"
#> ..- attr(*, "labels")= Named num 1 2
#> .. ..- attr(*, "names")= chr "male" "female"
#> $ e17age : num 83 88 82 67 84 85 74 87 79 83
#> ..- attr(*, "label")= chr "elder' age"
#> $ e42dep : num 3 3 3 4 4 4 4 4 4 4
#> ..- attr(*, "label")= chr "elder's dependency"
#> ..- attr(*, "labels")= Named num 1 2 3 4
#> .. ..- attr(*, "names")= chr "independent" "slightly dependent" "moderately dependent" "severely dependent"
bind_rows(x1, x1) %>% frq(e42dep)
#>
#> # e42dep <numeric>
#> # total N=20 valid N=20 mean=3.70 sd=0.47
#>
#> val frq raw.prc valid.prc cum.prc
#> 3 6 30 30 30
#> 4 14 70 70 100
#> <NA> 0 0 NA NA
add_rows(x1, x1) %>% frq(e42dep)
#>
#> # elder's dependency (e42dep) <numeric>
#> # total N=20 valid N=20 mean=3.70 sd=0.47
#>
#> val label frq raw.prc valid.prc cum.prc
#> 1 independent 0 0 0 0
#> 2 slightly dependent 0 0 0 0
#> 3 moderately dependent 6 30 30 30
#> 4 severely dependent 14 70 70 100
#> NA NA 0 0 NA NA
【讨论】：
【参考方案5】：如果 df1 中的列是 df2 中的列的子集（按列名）：
df3 <- rbind(df1, df2[, names(df1)])
【讨论】：
【参考方案6】：仅用于文档。你可以试试Stack库及其函数Stack，格式如下：
Stack(df_1, df_2)
我也觉得它比处理大型数据集的其他方法更快。
【讨论】：
【参考方案7】：您可以使用gtools 包中的smartbind。
例子：
library(gtools)
df1 <- data.frame(a = c(1:5), b = c(6:10))
df2 <- data.frame(a = c(11:15), b = c(16:20), c = LETTERS[1:5])
smartbind(df1, df2)
# result
a b c
1.1 1 6 <NA>
1.2 2 7 <NA>
1.3 3 8 <NA>
1.4 4 9 <NA>
1.5 5 10 <NA>
2.1 11 16 A
2.2 12 17 B
2.3 13 18 C
2.4 14 19 D
2.5 15 20 E
【讨论】：
我用两个大数据框（总共大约 3*10^6 行）尝试了smartbind，并在 10 分钟后中止了它。
9 年来发生了很多事情 :) 我今天可能不会使用 smartbind。另请注意，原始问题未指定大型数据框。【参考方案8】：
gtools/smartbind 不喜欢使用 Dates，可能是因为它是 as.vectoring。所以这是我的解决方案...
sbind = function(x, y, fill=NA)
sbind.fill = function(d, cols)
for(c in cols)
d[[c]] = fill
d
x = sbind.fill(x, setdiff(names(y),names(x)))
y = sbind.fill(y, setdiff(names(x),names(y)))
rbind(x, y)
【讨论】：
使用 dplyr::bind_rows(x, y) 代替 rbind(x,y) 保持基于第一个数据帧的列顺序。【参考方案9】：rbind.ordered=function(x,y)
diffCol = setdiff(colnames(x),colnames(y))
if (length(diffCol)>0)
cols=colnames(y)
for (i in 1:length(diffCol)) y=cbind(y,NA)
colnames(y)=c(cols,diffCol)
diffCol = setdiff(colnames(y),colnames(x))
if (length(diffCol)>0)
cols=colnames(x)
for (i in 1:length(diffCol)) x=cbind(x,NA)
colnames(x)=c(cols,diffCol)
return(rbind(x, y[, colnames(x)]))
【讨论】：
【参考方案10】：我编写了一个函数来执行此操作，因为我喜欢我的代码告诉我是否有问题。此函数将明确告诉您哪些列名不匹配，以及您是否有类型不匹配。然后无论如何它都会尽力组合data.frames。限制是您一次只能组合两个 data.frame。
### combines data frames (like rbind) but by matching column names
# columns without matches in the other data frame are still combined
# but with NA in the rows corresponding to the data frame without
# the variable
# A warning is issued if there is a type mismatch between columns of
# the same name and an attempt is made to combine the columns
combineByName <- function(A,B)
a.names <- names(A)
b.names <- names(B)
all.names <- union(a.names,b.names)
print(paste("Number of columns:",length(all.names)))
a.type <- NULL
for (i in 1:ncol(A))
a.type[i] <- typeof(A[,i])
b.type <- NULL
for (i in 1:ncol(B))
b.type[i] <- typeof(B[,i])
a_b.names <- names(A)[!names(A)%in%names(B)]
b_a.names <- names(B)[!names(B)%in%names(A)]
if (length(a_b.names)>0 | length(b_a.names)>0)
print("Columns in data frame A but not in data frame B:")
print(a_b.names)
print("Columns in data frame B but not in data frame A:")
print(b_a.names)
else if(a.names==b.names & a.type==b.type)
C <- rbind(A,B)
return(C)
C <- list()
for(i in 1:length(all.names))
l.a <- all.names[i]%in%a.names
pos.a <- match(all.names[i],a.names)
typ.a <- a.type[pos.a]
l.b <- all.names[i]%in%b.names
pos.b <- match(all.names[i],b.names)
typ.b <- b.type[pos.b]
if(l.a & l.b)
if(typ.a==typ.b)
vec <- c(A[,pos.a],B[,pos.b])
else
warning(c("Type mismatch in variable named: ",all.names[i],"\n"))
vec <- try(c(A[,pos.a],B[,pos.b]))
else if (l.a)
vec <- c(A[,pos.a],rep(NA,nrow(B)))
else
vec <- c(rep(NA,nrow(A)),B[,pos.b])
C[[i]] <- vec
names(C) <- all.names
C <- as.data.frame(C)
return(C)
【讨论】：
【参考方案11】：也许我完全误读了您的问题，但是“我希望保留绑定后不匹配的列”让我认为您正在寻找类似于 SQL 查询的 left join 或 right join。 R 具有 merge 函数，可让您指定左、右或内连接，类似于 SQL 中的连接表。
这里已经有关于这个主题的很好的问答：How to join (merge) data frames (inner, outer, left, right)?
【讨论】：
【参考方案12】：rbind.fill 来自包 plyr 可能就是您要找的东西。
【讨论】：
rbind.fill 和 bind_rows() 都静默删除行名。
@MERose Hadley：“是的，所有 dplyr 方法都忽略行名。”
这里是文档链接：rdocumentation.org/packages/plyr/versions/1.8.4/topics/…
使用 do.call(plyr::rbind.fill, myList) 拯救了我的一天。 myList 是一个表列表【参考方案13】：
您也可以只提取常见的列名。
> cols <- intersect(colnames(df1), colnames(df2))
> rbind(df1[,cols], df2[,cols])
【讨论】：
以上是关于当它们具有不同的列集时，按行组合两个数据帧（rbind）的主要内容，如果未能解决你的问题，请参考以下文章