选择一个数据框中与另一数据框中部分匹配的行

我希望在一个数据框中选择行，data.1，部分匹配第二个数据帧中的行，keep.these，得到desired.result。我在这里发现了几个基于一列匹配的问题，但我想在三列上匹配：STATE, COUNTY and CITY。到目前为止，我已经提出了三种解决方案，但似乎没有一个是理想的。

请注意，每一行都包含一个唯一的组合STATE, COUNTY and CITY在我的真实数据中。

当我使用merge我必须重新order。功能match似乎可行，但我对它不熟悉，不知道我对这个功能的使用是否符合预期。这apply下面的解决方案显然太复杂了。

The merge如果我不必对结果重新排序，这种方法将是理想的。对于大型数据集，重新排序可能非常耗时。这match如果有人可以确认这是一个合理的方法，那么该方法似乎还可以。

有没有更好的解决方案，最好是在基地R?

data.1 <- read.table(text= "
     CITY     COUNTY   STATE        AA
       1          1         1        2
       2          1         1        4
       1          2         1        6
       2          2         1        8
       1          1         2       20
       2          1         2       40
       1          2         2       60
       2          2         2       80
       1          1         3      200
       2          1         3      400
       1          2         3      600
       2          2         3      800
       1          1         4     2000
       2          1         4     4000
       1          2         4     6000
       2          2         4     8000
       1          1         5    20000
       2          1         5    40000
       1          2         5    60000
       2          2         5    80000
", header=TRUE, na.strings=NA)

keep.these <- read.table(text= "
     CITY     COUNTY     STATE      BB
       1          1         2      -10
       2          1         2      -11
       1          2         2      -12
       2          2         2      -13
       1          1         4      -14
       2          1         4      -15
       1          2         4      -16
       2          2         4      -17
", header=TRUE, na.strings=NA)

desired.result <- read.table(text= "
     CITY     COUNTY    STATE       AA
       1          1         2       20
       2          1         2       40
       1          2         2       60
       2          2         2       80
       1          1         4     2000
       2          1         4     4000
       1          2         4     6000
       2          2         4     8000
", header=TRUE, na.strings=NA)

##########

# this works, but I need to reorder

new.data.a <- merge(keep.these[,1:3], data.1, by=c('CITY', 'COUNTY', 'STATE'))

new.data.a <- new.data.a[order(new.data.a$STATE, new.data.a$COUNTY, new.data.a$CITY),]

rownames(desired.result) <- NULL
rownames(new.data.a)     <- NULL

all.equal(desired.result, new.data.a)

##########

# this seems to work, but match is unfamiliar

new.data.2 <- data.1[match(data.1$CITY  , keep.these$CITY  , nomatch=0) & 
                     match(data.1$STATE , keep.these$STATE , nomatch=0) & 
                     match(data.1$COUNTY, keep.these$COUNTY, nomatch=0),]

rownames(desired.result) <- NULL
rownames(new.data.2)     <- NULL

all.equal(desired.result, new.data.2)

##########

# this works, but is too complex

data.1b      <- data.frame(my.group = apply(    data.1[,1:3], 1, paste, collapse = "."),     data.1)
keep.these.b <- data.frame(my.group = apply(keep.these[,1:3], 1, paste, collapse = "."), keep.these)

data.1b <- data.1b[apply(data.1b, 1, function(x) {x[1] %in% keep.these.b$my.group}),]
data.1b <- data.1b[,-1]

rownames(desired.result) <- NULL
rownames(data.1b)        <- NULL

all.equal(desired.result, data.1b)

##########

这是此类问题的通用解决方案，非常有效：

data.1.ID <- paste(data.1[,1],data.1[,2],data.1[,3])

keep.these.ID <- paste(keep.these[,1],keep.these[,2],keep.these[,3])

desired.result <- data.1[data.1.ID %in% keep.these.ID,]

我只是为每条记录创建了一个唯一的 ID，然后对其进行搜索。 注意：这将更改行名称，您可能需要添加以下内容：

row.names(desired.result) <- 1:nrow(desired.result)

EDIT:

这是解决同一问题的另一种方法。

如果您有一个非常大的数据集，例如数百万行，另一个非常有效的解决方案是使用该包data.table。它的工作速度比merge，取决于您拥有多少数据。

您所要做的就是以下几点：

library(data.table)

第一步：转换data.frame to data.table，前三列作为键。

d1 <- data.table(data.1, key=names(data.1)[1:3])
kt <- data.table(keep.these, key=names(keep.these)[1:3])

Step2：使用合并data.table的二分查找：

d1[kt]

注1：执行的简单性。 注2：这将按键对数据进行排序。为了避免这种情况，请尝试以下操作：

data.1$index <- 1:nrow(data.1)  # Add index to original data
d1 <- data.table(data.1,key=names(data.1)[1:3]) # Step1 as above
kt <- data.table(keep.these,key=names(keep.these)[1:3])  # Step1 as above
d1[kt][order(index)]  # Step2 as above

如果您想删除最后两列（index, BB），这也很简单：

d1[kt][order(index)][,-(5:6),with=F] #Remove index

尝试使用大数据集，并将时间与merge。通常速度要快 50-100 倍左右。

要了解更多信息data.table, try:

vignette("datatable-intro")
vignette("datatable-faq")
vignette("datatable-timings")

或者看看它的实际效果：

example(data.table)

希望这可以帮助！！