Wie wird ein R-Datenrahmen mit den Werten eines anderen R-Datenrahmens verknüpft?

Question

Ich habe zwei Datenrahmen in R:

Died.At <- c(22,40,72,41, ...) 
Writer.At <- c(16, 18, 36, 36) 
Name <- c("John Doe", "Edgar Poe", "Walt Whitman", "Jane Austen", ...) 
Gender <- c("MALE", "MALE", "MALE", "FEMALE", ...) 
Date.Of.Death <- c("2015-05-10", "1849-10-07", "1892-03-26","1817-07-18", ...) 
Pet <- c("cat", "dog", "cat", "cat") 
df1 = data.frame(Died.At, Writer.At, Name, Gender, Pet) 
print(df1) 
    Died.At Writer.At  Name   Gender Pet 
1  22  16  John Doe  MALE  cat 
2  40  18  Edgar Poe  MALE  dog 
3  72  36  Walt Whitman MALE  cat 
4  41  36  Jane Austen FEMALE cat 
..... 

In df1 nicht jede Zeile für Name einzigartig ist (dh es gibt mehrere Zeilen mit demselben Autor sind.)

Der zweite Datenrahmen df2, gibt es auch eine Spalte Name mit beiden Autoren aus df1 (zB Jane Austen) und völlig neuen Autoren. Dieser Datenrahmen ist auch viel größer.

print(length(unique(df1$Name))) 
## output 1168 
print(length(unique(df2$Name))) 
## output 5572 

würde Ich mag df2, so dass die einzigen Namen die Namen von df1 sind die Teilmenge.

Meine Idee war es, dies zu tun:

subset_df2 = df2[df2$Name == unique(df1$Name)] 

aber ich würde erwarten, dass es 1168 einzigartige Autorennamen, hier zu sein:

print(length(unique(subset_df2$Name))) 
## output 880 

, die weniger ist, als ich es erwartet hatte. Wo ist mein Fehler?

Answer 1

Sie können match(df2$Name, df1$Name) oder df2$Name %in% df1$Name verwenden, die einen Vektor von logicals mit der Länge von df2 $ Name und logisch TRUE zurückgeben, wobei df2 $ Name in df1 $ Name steht. Sie können dies dann verwenden, um df2 zu indexieren.

subset_df2 <- df2[df2$Name %in% df1$Name, ] 

Siehe ?match

Was, warum Ihr Code nicht funktioniert, bitte die Ausgabe dieser Übung sehen:

a = LETTERS[sample(1:10, size=15, replace=T)] 
b = c(unique(a), LETTERS[15:30]) 
# compare 
b == unique(a) 
b[b == unique(a)] 
# vs 
b %in% a 
b[b %in% a] 

Beachten Sie auch b %in% a ist nicht gleichbedeutend mit a %in% b und daher b[a %in% b] ergäbe ein falsches Ergebnis

Darüber hinaus müssen Sie beim Indizieren eines Datenrahmens einen Zeilenbereich und einen Spaltenbereich angeben.