如何在含NA值的连接数据表中检测匹配差异？

在连接两个数据表时，不匹配的记录要么被丢弃，要么会在对应列显示为NA。但如果连接的表本身就存在NA值，我们就无法区分结果里的NA到底是因为不匹配导致的缺失，还是原数据表本身就有的NA。

示例数据 #

先创建示例数据表：

d1 = data.frame(x=c(1,2,3,4),y=c(5,4,3,2))
setDT(d1) ; setkey(d1, x)
d2 = data.frame(x=c(1,2,4),z=c(1,2,NA))
setDT(d2) ; setkey(d2, x)

执行后的数据表内容：

> d1
   x y
1: 1 5
2: 2 4
3: 3 3
4: 4 2
> d2
   x  z
1: 1  1
2: 2  2
3: 4 NA

连接后的问题 #

将d2左连接到d1后，第3行和第4行的z列都是NA，但我们无法区分：第3行的NA是因为d2中没有x=3的记录导致不匹配，还是第4行的NA是d2中x=4时z列本身就有的值。

> d2[d1]
   x  z y
1: 1  1 5
2: 2  2 4
3: 3 NA 3
4: 4 NA 2

一种不够优雅的解决方法 #

可以给d2新增一个标记列来区分是否匹配：

> d2$match=TRUE
> d2[d1]
   x  z match y
1: 1  1  TRUE 5
2: 2  2  TRUE 4
3: 3 NA    NA 3
4: 4 NA  TRUE 2

通过match列可以判断是否匹配，但这种方法需要额外添加列，不够简洁。

更简洁的解决方案：dplyr的keep参数 #

如果连接时能保留连接双方的连接键值，就可以通过其中一方的NA来判断是否匹配。dplyr::left_join的keep=TRUE参数就能实现这个功能：

> left_join(d1, d2, keep=TRUE)
Joining with `by = join_by(x)`
   x.x y x.y  z
1:   1 5   1  1
2:   2 4   2  2
3:   3 3  NA NA
4:   4 2   4 NA

此时通过x.y列就能可靠区分：x.y为NA表示没有匹配到（第3行），x.y有值则表示匹配成功，对应的z列NA是原数据自带的（第4行）。

内容的提问来源于stack exchange，提问作者Spacedman