Selezionare solo la prima riga quando si uniscono i frame di dati con più partite

Question

Ho due frame di dati, "dati" e "colonne sonore", e desidera unire loro sulla colonna "id":

data = data.frame(id = c(1,2,3,4,5), 
        state = c("KS","MN","AL","FL","CA")) 
scores = data.frame(id = c(1,1,1,2,2,3,3,3), 
        score = c(66,75,78,86,85,76,75,90)) 
merge(data, scores, by = "id")     
semi_join(data, scores, by = "id")     

Nel i "punteggi" dati, ci sono "ID" con più osservazioni, in cui ogni corrispondenza ottiene una riga dopo il join. Vedi ?merge:

Se c'è più di una corrispondenza, tutte le corrispondenze possibili contribuiscono con una riga ciascuna.

Tuttavia, voglio tenere solo la riga corrispondente al primo partita dalla tabella scores.

Un semi join sarebbe stato bello, ma non sono in grado di selezionare il punteggio dalla tabella giusta.

Qualche suggerimento?

Answer 1

Uso data.table insieme mult = "first" e nomatch = 0L:

require(data.table) 
setDT(scores); setDT(data) # convert to data.tables by reference 

scores[data, mult = "first", on = "id", nomatch=0L] 
# id score state 
# 1: 1 66 KS 
# 2: 2 86 MN 
# 3: 3 76 AL 

Per ogni giro data 'id colonna s, le righe corrispondenti nella scores' id colonna si trovano, e la prima uno solo è mantenuto (perché mult = "first"). Se non ci sono corrispondenze, vengono rimosse (a causa di nomatch = 0L).

Answer 2

Qui è un metodo di base R utilizzando aggregate e head:

merge(data, aggregate(score ~ id, data=scores, head, 1), by="id") 

La funzione aggregate rompe il colonne dataframe da id, allora head viene applicato per ottenere la prima osservazione da ciascun id. Poiché aggregate restituisce un data.frame, questo viene direttamente unito ai dati data.frame.

---

Probabilmente più efficiente è quello sottoinsieme punteggi data.frame usando duplicated che ottenere lo stesso risultato come aggregate, ma ridurrà il carico computazionale.

merge(data, scores[!duplicated(scores$id),], by="id") 

Answer 3

Ecco un altro metodo che utilizza dplyr :: distinct. È utile se vuoi mantenere tutte le righe da "dati" anche se non c'è corrispondenza.

data = data.frame(id=c(1,2,3,4,5), 
        state=c("KS","MN","AL","FL","CA")) 
scores = data.frame(id=c(1,1,1,2,2,3,3,3), 
        score=c(66,75,78,86,85,76,75,90)) 
data %>% dplyr::left_join(dplyr::distinct(scores, id, .keep_all = T)) 
# Joining, by = "id" 
# id state score 
# 1 1 KS 66 
# 2 2 MN 86 
# 3 3 AL 76 
# 4 4 FL NA 
# 5 5 CA NA 

Inoltre, se si desidera sostituire il AN nel nuovo data.frame, provare la funzione tidyr :: replace_na(). Esempio:

data %>% dplyr::left_join(dplyr::distinct(scores, id, .keep_all = T)) %>% tidyr::replace_na(replace = list("score"=0L)) 
# Joining, by = "id" 
# id state score 
# 1 1 KS 66 
# 2 2 MN 86 
# 3 3 AL 76 
# 4 4 FL  0 
# 5 5 CA  0