R总结|R语言连接数据总结

专题介绍：R是一种广泛用于数据分析和统计计算的强大语言，于上世纪90年代开始发展起来。得益于全世界众多爱好者的无尽努力，大家继而开发出了一种基于R但优于R基本文本编辑器的R Studio（用户的界面体验更好）。也正是由于全世界越来越多的数据科学社区和用户对R包的慷慨贡献，让R语言在全球范围内越来越流行。其中一些R包，例如MASS，SparkR， ggplot2，使数据操作,可视化和计算功能越来越强大。R是用于统计分析、绘图的语言和操作环境。R是属于GNU系统的一个自由、免费、源代码开放的软件，它是一个用于统计计算和统计制图的优秀工具。R作为一种统计分析软件，是集统计分析与图形显示于一体的。它可以运行于UNIX、Windows和Macintosh的操作系统上，而且嵌入了一个非常方便实用的帮助系统，相比于其他统计分析软件，R的学术性开发比较早，适合生物学和医学等学术学科的科研人员使用。

这是我的第3篇付费文章，关于R语言连接数据总结。

阅读完本文，你可以得到：

1 连接数据的方式

2 R语言连接数据函数merge的使用

3 R语言连接数据R包sqldf的使用

4 R语言连结数据R包dplyr的使用

1 连接数据的方式

我在做数据工作的过程中，连接数据的方式，包括两种情况。

一是横向连接，基于关联键的连接，丰富样本的特征集，逐步形成一张可供研究和分析的宽表。

二是纵向连接，具有相同特征的样本集做进一步扩充，增加了样本集的数目。

通常，横向连接的频次要远高于纵向连接。因为我们所遇到的数据时常分布在不同的数据源，所以需要通过表格之间的关联键把数据连接在一起，这个时候就需要使用到横向连接。横向连接，可以进一步细分为内连接和外连接，而外连接包括左连接，右连接和全连接。内外连接的理解，如下图所示。

2 R语言连接数据merge函数的使用

我们先使用R语言自带的merge函数实现数据的内连接和外连接。

merge函数描述如下：

通过红色方框里面的merge函数，发现：

1）默认是内连接

2）通过by指定两个数据框x和y进行关联的变量

3）all.x = True 表示左连接；all.y = True，表示右连接；all = True，表示全连接

4）若是两个数据的关联字段不一样时，by.x 指定数据框x用于关联的字段，by.y指定数据框y用于关联的字段

举例说明：

# 构造数据集
df1 <-  data.frame(CustomerId = c(1:6), 
                 Product = c(rep("Toaster", 3), rep("Radio", 3)))
df2 <-  data.frame(CustomerId = c(2, 4, 6), 
                 State = c(rep("Alabama", 2), rep("Ohio", 1)))

df1
df2

# 内连接
data1 <- merge(df1, df2)
data1
# 左连接
data2 <- merge(df1, df2, all.x = TRUE)
data2
# 右连接
data3 <- merge(df1, df2, all.y = TRUE)
data3
# 全连接
data4 <- merge(df1, df2, all = TRUE)
data4