R语言使用merge函数匹配数据（vlookup，join）

大家好，又见面了，我是你们的朋友全栈君。

参考文章 http://www.afenxi.com/post/41432

R中的merge函数类似于Excel中的Vlookup，可以实现对两个数据表进行匹配和拼接的功能。与Excel不同之处在于merge函数有4种匹配拼接模式，分别为inner，left，right和outer模式。 其中inner为默认的匹配模式，可与sql语言中的join语句用法。

merge 连接两个数据，官方参考文档语法

merge(x, y, by = intersect(names(x), names(y)), by.x = by, by.y = by, all = FALSE, all.x = all, all.y = all, sort = TRUE, suffixes = c(".x",".y"), incomparables = NULL, ...)

merge函数参数的说明:

• x,y 要合并的两个数据集
• by,用于连接两个数据集的列，intersect(a,b)值向量a,b的交集，names(x)指提取数据集x的列名
  by = intersect(names(x), names(y)) 是获取数据集x，y的列名后，提取其公共列名，作为两个数据集的连接列， 当有多个公共列时，需用下标指出公共列，如names(x)[1]，指定x数据集的第1列作为公共列
  也可以直接写为 by = ‘公共列名’ ，前提是两个数据集中都有该列名，并且大小写完全一致，R语言区分大小写
• by.x，by.y：指定依据哪些行合并数据框，默认值为相同列名的列
• all，all.x，all.y：指定x和y的行是否应该全在输出文件
• sort：by指定的列（即公共列）是否要排序
• suffixes：指定除by外相同列名的后缀
• incomparables：指定by中哪些单元不进行合并

举例说明如下

1、读取并创建数据示例

# 读取并创建贷款状态数据表
> loan_status=data.frame(read.csv('loan_status.csv',header = 1))

2、创建数据

> name <- c('A','B','A','A','C','D')
> school <- c('s1','s2','s1','s1','s1','s3')
> class <- c(10, 5, 4, 11, 1, 8)
> English <- c(85, 50, 90 ,90, 12, 96)
> w <- data.frame(name, school, class, English)
> w
  name school class English
    A    s1    10      85
    B    s2     5      50
    A    s1     4      90
    A    s1    11      90
    C    s1     1      12
    D    s3     8      96

#同上创建数据集q
> name  <-  c('A','B','C','F')
> school <- c('s3','s2','s1','s2')
> class <- c(5, 5, 1,3)
> maths <- c(80,89,55,90)
> English <- c(88, 89, 32, 89)
> q <- data.frame(name, school, class, maths, English)
> q
  name  school class maths English
    A     s3     5     80      88
    B     s2     5     89      89
    C     s1     1     55      32
    F     s2     3     90      89

3、查看两个数据表的维度

> dim(w);dim(q);
[1] 6 4
[1] 4 5

4、查看两个数据集的列名称

> names(w);names(q);
[1] "name"    "school"  "class"   "English"
[1] "name"    "school"  "class"   "maths"   "English"

# 可以看出两个数据集有公共列

5、inner 模式匹配，只显示两个数据集公共列中均有的行

# 有多个公共列时，需指出使用哪一列作为连接列
merge(w,q,by = intersect(names(w)[1],names(q)[1])) # 当两个数据集连接列名称同时，直接用 by.x， by.y 指定连接列 merge(w,q,by.x = 'name', by.y = 'name') # 当两个数据集均有连接列时，直接指定连接列的名称 merge(w,q,by = 'name') 

# 连接列置于第1列； 有多个公共列，在公共列后加上x，y表示数据来源，.x表示来源于数据集w，.y表示来源于数据集q
# 数据集中w中的 name = ‘D’ 不显示，数据集中q中的 name = ‘F’ 不显示，只显示公有的name行，并且用q数据集A行匹配了w数据集所有的A行

6、outer 模式，将两张表的数据汇总，表中原来没有的数据置为空

merge(w, q, all=TRUE, sort=TRUE) 

# all = TRUE 表示选取w, q 数据集的所有行，sort = TRUE，表示按 by 列进行排序，默认升序

7、left 匹配模式

merge(w ,q ,all.x=TRUE,sort=TRUE)  # 建议使用 指定了连接列 的情况
# 多个公共列，未指定连接列
# 左连接，设置 all.x = TRUE，结果只显示数据w的列及w在q数据集中没有的列

merge(w, q, by = 'name',all.x = TRUE, sort = TRUE)   # 指定连接列
# 多个公共列，指定连接列
# 左连接，设置 all.x = TRUE，结果只显示w所有name值

8、right 匹配模式

merge(w ,q ,by = 'name', all.y=TRUE,sort=TRUE) # 多个公共列，指定连接列 # 左连接，设置 all.y = TRUE，结果只显示q所有name值的记录

9、实例应用

library(readxl) 
library(xlsx)   

cdir = setwd('D:\\R')
A = read_excel('A.xlsx',  1)
B = read_excel('B.xlsx',  1)

dt = merge(A ,B ,all=TRUE, sort=TRUE, by = 'stuID')
dt2 = subset(dt, dt$math == 'A',select=names(dt))

# 在D:\\R 目录下创建sample.csv文件
cname = "D:\\R\\sample.csv"  

# 将匹配后的数据写入到 sample.csv 文件中
write.csv(dt2, cname ,sep=",")