與NA的有效

Question

合併dataframes我怎樣才能，從以下兩個數據幀：

DF1：

cat1  cat2 
a   NA 
b   NA 
c   NA 
d   NA 
e   NA 

DF2：

cat1  cat2 
c   1 
d   2 

產生如下結果爲儘可能高效？

cat1  cat2 
a   NA 
b   NA 
c   1 
d   2 
e   NA 

當我這樣做：

df3 <- rbind(df2,df1[!(df1$cat1 %in% df2$cat1),]) 
merge(df1,df3,all.y=TRUE) 

我得到想要的數據幀。但是，是不是一個整潔，也許更有效的方式來做到這一點？ （這只是虛擬數據 - 我有700K行數據在現實中）

Answer 1

如何：

df1 <-read.table(text="cat1  cat2 
a   NA 
b   NA 
c   NA 
d   NA 
e   NA",header=TRUE,stringsAsFactors=FALSE) 

df2<-read.table(text="cat1  cat2 
c   1 
d   2",header=TRUE, stringsAsFactors=FALSE) 

df1[df1$cat1%in%df2$cat1,] <-df2 

    cat1 cat2 
1 a NA 
2 b NA 
3 c 1 
4 d 2 
5 e NA 

編輯

我跑在你的解決方案microbenchmark，我的解決辦法而解決方案data.table在另一個答案中是我最快的。

df1[df1$cat1%in%df2$cat1,] <-df2 1000次計算的平均時間爲80微秒。這與data.table解決方案的690微秒相比，您的解決方案總共爲1062微秒。如此有效，我的解決方案速度要快一個數量級。

library(microbenchmark) 
res <- microbenchmark(
rbind(df2,df1[!(df1$cat1 %in% df2$cat1),]), 
merge(df1,df3,all.y=TRUE), 
df1[df1$cat1%in%df2$cat1,] <-df2, 
dat1[dat][,1:2,with=T], 
times=1000L) 

> print(res) 
Unit: microseconds 
             expr  min  lq *mean* median  uq  max neval 
rbind(df2, df1[!(df1$cat1 %in% df2$cat1), ]) 242.395 260.3555 279.3699 268.3550 277.5615 2817.263 1000 
       merge(df1, df3, all.y = TRUE) 679.488 724.1640 783.2416 740.1625 761.5940 6756.541 1000 
     df1[df1$cat1 %in% df2$cat1, ] <- df2 63.392 72.1450 80.0050 75.1640 80.5975 2017.334 1000 
        dat1[dat][, 1:2, with = T] 602.816 649.6040 690.9846 665.3010 691.2615 3264.319 1000 

EDIT2

另一個microbenchmark 100,000數據點和包括setkeyv步驟data.table。基礎索引（df[df$cat1 %in% df1$cat1, ] <- df）比data.table（7.4毫秒）的總步驟稍快（平均7毫秒），但不多。效率將取決於OP的實際數據集。

library(data.table) 
dat <- data.table(cat1=c(paste0("a",1:100000)),cat2=rep(NA,100000)) 
dat1 <- data.table(cat1=c(paste0("a",sample(1:100000,10001))),cat2=1:10001) 
setkeyv(dat,"cat1") 
setkeyv(dat1,"cat1") 
df <- data.frame(dat) 
df1 <- data.frame(dat1) 

library(microbenchmark) 
res <- microbenchmark(
    merge(df,df1,all.y=TRUE), 
    df[df$cat1 %in% df1$cat1, ] <- df1, 
    setkeyv(dat,"cat1"), 
    setkeyv(dat1,"cat1"), 
    dat1[dat][,1:2,with=T], 
    times=100L) 
print(res) 
Unit: microseconds 
           expr  min  lq  mean median   uq  max neval cld 
     merge(df, df1, all.y = TRUE) 96573.600 98317.435 115509.544 102872.81 130325.979 195910.42 100 d 
df[df$cat1 %in% df1$cat1, ] <- df1 4329.293 4785.601 7059.100 5054.74 5632.501 40521.16 100 c 
       setkeyv(dat, "cat1") 1166.073 1568.211 1928.071 1766.36 1913.329 14256.59 100 ab 
       setkeyv(dat1, "cat1") 215.253 296.935 434.589 443.05 506.629 1279.54 100 a 
     dat1[dat][, 1:2, with = T] 3531.004 4020.242 5024.882 4195.72 4587.026 34787.45 100 bc