在R中查找两个dataframe的差异：定位df2中的额外观测值

以下几种方法可以帮你定位df2中多出来的观测值：

方法1：结合计数与dplyr的anti_join处理重复行 #

如果df1中存在重复行，setdiff会自动去重导致无法检测出多出来的重复项，用分组计数加关联对比可以解决：

library(dplyr)

# 对两个数据框按两列分组统计出现次数
df1_count <- df1 %>% count(col1, col2)
df2_count <- df2 %>% count(col1, col2)

# 找出df2中计数多于df1的行
extra_info <- df2_count %>%
  left_join(df1_count, by = c("col1", "col2"), suffix = c("_df2", "_df1")) %>%
  mutate(n_df1 = ifelse(is.na(n_df1), 0, n_df1)) %>%
  filter(n_df2 > n_df1)

# 还原出df2中多出来的具体观测值
extra_obs <- df2 %>%
  semi_join(extra_info, by = c("col1", "col2")) %>%
  slice(1:(extra_info$n_df2 - extra_info$n_df1))

方法2：生成行唯一标识对比频次 #

把两列字符拼接成唯一字符串，统计每个字符串在两个数据框中的出现次数，定位差异：

# 生成每行的唯一标识
df1_id <- apply(df1, 1, paste, collapse = "|")
df2_id <- apply(df2, 1, paste, collapse = "|")

# 统计各标识的出现频次
table_df1 <- table(df1_id)
table_df2 <- table(df2_id)

# 找出df2中频次更高的标识
extra_id <- names(which(table_df2 > table_df1))

# 提取对应的原始行
extra_row <- df2[df2_id %in% extra_id, ]

方法3：先清理字符列再对比 #

字符列的空格、大小写差异会导致setdiff失效，先统一处理后再查找：

library(dplyr)

# 去除两端空格并统一为大写
df1_clean <- df1 %>% mutate(across(everything(), ~ trimws(toupper(.))))
df2_clean <- df2 %>% mutate(across(everything(), ~ trimws(toupper(.))))

# 找出清理后df2独有的行
clean_extra <- anti_join(df2_clean, df1_clean, by = names(df1))

# 对应回原始df2的行
original_extra <- df2[apply(df2_clean, 1, paste, collapse = "|") %in% apply(clean_extra, 1, paste, collapse = "|"), ]

方法4：使用data.table的fsetdiff #

fsetdiff会保留重复行，能解决因重复项导致setdiff返回空的问题：

library(data.table)

setDT(df1)
setDT(df2)

# 找出df2中不在df1里的行（保留重复）
extra_row <- fsetdiff(df2, df1)

内容的提问来源于stack exchange，提问作者jo_