基于姓氏与名字逐行对比两个DataFrame并筛选交集的实现方法

我们有如下结构的两个DataFrame：

df1 <- data.frame(lastname = c("Miller", "Smith", "Grey"),
                  firstname = c("John", "Jane", "Hans")
                  )

df2 <- data.frame(lastname =c("Smith", "Grey"),
                  firstname = c("Jane", "Hans")
                  )

注意：df2不一定是df1的子集，也可能包含重复条目。

你需要两种处理方案：一是提取df1中同时出现在两个DataFrame里的所有条目（示例期望输出如下）；二是给df1新增标记列，标注姓名是否存在于df2中。以下是基于{dplyr}的实现方法：

示例期望输出（提取共同条目） #

res <- data.frame(lastname = c("Smith", "Grey"), 
                  firstname = c("Jane", "Hans")
                 )

方案1：提取df1与df2的共同条目 #

使用inner_join()可以精准匹配两个DataFrame中lastname和firstname完全一致的行。如果df2存在重复条目，可先对df2去重避免结果出现重复：

基础实现（保留所有匹配行，含df2重复导致的重复） #

library(dplyr)

res_common <- df1 %>%
  inner_join(df2, by = c("lastname", "firstname"))

去重版实现（得到示例期望输出） #

res_common_distinct <- df1 %>%
  inner_join(distinct(df2), by = c("lastname", "firstname"))

运行后res_common_distinct即为你需要的示例结果。

方案2：给df1添加存在标记列 #

通过left_join结合mutate，可以给df1新增一列标记该行是否在df2中存在：

方法A：直接关联标记 #

res_with_flag <- df1 %>%
  left_join(df2 %>% mutate(in_df2 = TRUE), by = c("lastname", "firstname")) %>%
  mutate(in_df2 = !is.na(in_df2))

新增的in_df2列中，TRUE表示该姓名在df2中存在，FALSE表示不存在。

方法B：先筛选再标记 #

如果需要先明确筛选出df1中在df2的行，再合并标记，可使用semi_join：

# 先找出df1中在df2里的行并标记
matched_rows <- df1 %>%
  semi_join(df2, by = c("lastname", "firstname")) %>%
  mutate(in_df2 = TRUE)

# 合并回原df1并补全标记
res_with_flag <- df1 %>%
  left_join(matched_rows, by = c("lastname", "firstname")) %>%
  mutate(in_df2 = ifelse(is.na(in_df2), FALSE, TRUE))

内容的提问来源于stack exchange，提问作者user14692575