Функция или другой базовый скрипт, который сравнивает значения двух переменных в фрейме данных, используя переменную id, расположенную в обоих

Допустим, у вас есть два фрейма данных, каждый из которых содержит некоторые, но не все одинаковые записи. Там, где это одни и те же записи, переменная id в обоих фреймах данных совпадает. В каждом фрейме данных есть определенная переменная, которую необходимо проверить на согласованность между фреймами данных, и любые несоответствия необходимо распечатать:

d1 <- ## first dataframe
d2 <- ## second dataframe

colnames(d1) #column headings for dataframe 1
[1] "id" "variable1" "variable2" "variable3"

colnames(d2) #column headings for dataframe 2 are identical
[1] "id" "variable1" "variable2" "variable3"

length(d1$id) #there are 200 records in dataframe 1
[1] 200

length(d2$id) #there are not the same number in dataframe 2
[1] 150

##Some function that takes d1$id, matches with d2$id, then compares the values of the matched, returning any discrepancies

Я построил для этого сложный цикл, но чувствую, что это неправильный способ. Наверняка есть способ получше, чем этот оператор for-if-for-if-if.

for (i in seq(d1$id)){ ##Sets up counter for loop
  if (d1$id[i] %in% d2$id){ ## Search, compares and saves a common id and variable
    index <- d1$id[i];
    variable_d1 <- d1$variable1[i];
    for (p in seq(d2$id)){ set
      if (d2$id[p] == index){ ## saves the corresponding value in the second dataframe
        variable_d2 <- d2$variable1[p];
          if (variable_d2 != variable_d1) { ## prints if they are not equal
            print(index);
          }
      }
    }
  }
}

r dataframe comparison
person Alex Orona    schedule 02.06.2015    source источник
comment
Вы хотите присоединиться к базе данных, возможно, вы можете использовать left_join из dplyr, но вы должны сначала предоставить нам образцы данных и вывод воспроизводимым образом.   -  person Spacedman    schedule 03.06.2015
comment
@AlexanderOrona, Незначительный момент: вы должны использовать seq_along() вместо seq() при создании последовательности вдоль вектора. Это связано с тем, что если входной вектор содержит только один элемент, seq() меняет свое поведение, чтобы сгенерировать последовательность от 1 до значения элемента. Так, например, seq(3) генерирует 1 2 3, но вы бы хотели, чтобы здесь было 1. В качестве альтернативы вы можете использовать 1:length(x), но это не будет правильно обрабатывать вырожденный случай вектора нулевой длины. seq_along() отлично справляется со всеми этими случаями.   -  person bgoldst    schedule 03.06.2015

Ответы (2)


arrow_upward
0
arrow_downward

Вот решение, использующее случайные входные данные с вероятностью 50%, что данная ячейка будет отличаться между d1 и d2:

set.seed(1);
d1 <- data.frame(id=sample(300,200),variable1=sample(2,200,replace=T),variable2=sample(2,200,replace=T),variable3=sample(2,200,replace=T));
d2 <- data.frame(id=sample(300,150),variable1=sample(2,150,replace=T),variable2=sample(2,150,replace=T),variable3=sample(2,150,replace=T));
head(d1);
##    id variable1 variable2 variable3
## 1  80         1         2         2
## 2 112         1         1         2
## 3 171         2         2         1
## 4 270         1         2         2
## 5  60         1         2         2
## 6 266         2         2         2
head(d2);
##    id variable1 variable2 variable3
## 1 258         1         2         1
## 2  11         1         1         1
## 3 290         2         1         2
## 4 222         2         1         2
## 5  81         2         1         1
## 6 200         1         2         1
com <- intersect(d1$id,d2$id); ## derive common id values
d1com <- match(com,d1$id); ## find indexes of d1 that correspond to common id values, in order of com
d2com <- match(com,d2$id); ## find indexes of d2 that correspond to common id values, in order of com
v1diff <- com[d1$variable1[d1com]!=d2$variable1[d2com]]; ## get ids of variable1 discrepancies
v1diff;
##  [1]  60 278  18 219 290  35 107   4 237 131  50 210  29 168   6 174  61 127  99 220 247 244 157  51  84 122 196 125 265 115 186 139   3 132 223 211 268 102 155 207 238  41 199 200 231 236 172 275 250 176 248 255 222  59 100  33 124
v2diff <- com[d1$variable2[d1com]!=d2$variable2[d2com]]; ## get ids of variable2 discrepancies
v2diff;
##  [1] 112  60  18 198 219 290 131  50 210  29 168 258 215 291 127 161  99 220 110 293  87 164  84 122 196 125 186 139  81 132  82  89 223 268  98  14 155 241 207 231 172  62 275 176 248 255  59 298 100  12 156
v3diff <- com[d1$variable3[d1com]!=d2$variable3[d2com]]; ## get ids of variable3 discrepancies
v3diff;
##  [1] 278 219 290  35   4 237 131 168 202 174 215 220 247 244 261 293 164  13 294  84 196 125 265 115 186  81   3  89 223 211 268  98  14 155 241 207  38 191 200 276 250  45 269 255 298 100  12 156 124

Вот доказательство того, что все значения variable1 для идентификаторов в v1diff действительно отличаются между d1 и d2:

d1$variable1[match(v1diff,d1$id)]; d2$variable1[match(v1diff,d2$id)];
##  [1] 1 2 2 1 1 2 2 1 1 1 2 2 2 2 1 2 2 1 2 2 1 1 2 1 1 2 1 1 1 1 1 1 1 1 1 2 2 2 1 2 2 1 1 2 1 1 2 1 2 1 2 2 1 2 2 1 1
##  [1] 2 1 1 2 2 1 1 2 2 2 1 1 1 1 2 1 1 2 1 1 2 2 1 2 2 1 2 2 2 2 2 2 2 2 2 1 1 1 2 1 1 2 2 1 2 2 1 2 1 2 1 1 2 1 1 2 2

Вот доказательство того, что все значения variable1 для идентификаторов не в v1diff не различаются между d1 и d2:

with(subset(d1,id%in%com&!id%in%v1diff),variable1[order(id)]); with(subset(d2,id%in%com&!id%in%v1diff),variable1[order(id)]);
##  [1] 1 1 2 1 1 1 2 2 1 2 2 1 2 2 1 1 2 1 2 1 2 1 1 1 1 1 1 2 2 2 2 1 1 1 2 2 2 1 1 1 1
##  [1] 1 1 2 1 1 1 2 2 1 2 2 1 2 2 1 1 2 1 2 1 2 1 1 1 1 1 1 2 2 2 2 1 1 1 2 2 2 1 1 1 1

Здесь я завернул это решение в функцию, которая возвращает векторы несовпадающих значений идентификаторов в списке, где каждый компонент назван в честь переменной, которую он представляет:

compare <- function(d1,d2,cols=setdiff(intersect(colnames(d1),colnames(d2)),'id')) {
    com <- intersect(d1$id,d2$id);
    d1com <- match(com,d1$id);
    d2com <- match(com,d2$id);
    setNames(lapply(cols,function(col) com[d1[[col]][d1com]!=d2[[col]][d2com]]),cols);
};
compare(d1,d2);
## $variable1
##  [1]  60 278  18 219 290  35 107   4 237 131  50 210  29 168   6 174  61 127  99 220 247 244 157  51  84 122 196 125 265 115 186 139   3 132 223 211 268 102 155 207 238  41 199 200 231 236 172 275 250 176 248 255 222  59 100  33 124
##
## $variable2
##  [1] 112  60  18 198 219 290 131  50 210  29 168 258 215 291 127 161  99 220 110 293  87 164  84 122 196 125 186 139  81 132  82  89 223 268  98  14 155 241 207 231 172  62 275 176 248 255  59 298 100  12 156
##
## $variable3
##  [1] 278 219 290  35   4 237 131 168 202 174 215 220 247 244 261 293 164  13 294  84 196 125 265 115 186  81   3  89 223 211 268  98  14 155 241 207  38 191 200 276 250  45 269 255 298 100  12 156 124
person bgoldst    schedule 02.06.2015

arrow_upward
0
arrow_downward

Вот подход, использующий merge.

Сначала объедините кадры данных, сохранив все столбцы.

x <- merge(d1, d1, by="id")

Затем найдите все строки, которые не совпадают:

x[x$variable1.x != x$variable1.y | x$variable2.x != x$variable2.y | 
  x$variable3.x != x$variable3.y, ]
person jeremycg    schedule 04.06.2015