如何基于两个data.frame的匹配关系替换R语言数据框中的字符串？

问题背景 #

现有两个数据框：

df1 <- data.frame(species = c("aa", "aa", "aa", "ab", "ab",
                               "ac", "ab", "aa", "ba", "bb"))

df2 <- data.frame(original.search = c("aa", "aa", "aa", "ab", "ab",
                               "ac", "ab", "aa", "ba", "bb"),
                  search.str = c("aa2", "aa2", "aa2", "ab2", "ab2",
                               "ac2", "ab2", "aa2", "ba2", "bb2"))

其中df1有近10万行，df2是df1$species的唯一值集合（示例中存在重复，实际为唯一映射关系）。需求是：将df1$species中与df2$original.search匹配的值，替换为对应行的df2$search.str；无匹配则保留原值。

解决方案 #

1. Base R 原生方法（无需额外包）

先对df2去重得到唯一映射表，再通过匹配向量完成替换：

# 提取df2的唯一映射关系
df2_unique <- unique(df2[, c("original.search", "search.str")])
# 创建"原始值-替换值"的映射向量
name_map <- setNames(df2_unique$search.str, df2_unique$original.search)
# 替换df1的species列：匹配到则替换，否则保留原值
df1$species <- ifelse(is.na(name_map[df1$species]), df1$species, name_map[df1$species])

2. dplyr 管道式实现（代码易读）

适合习惯 tidyverse 风格的用户，逻辑清晰易维护：

library(dplyr)

# 去重得到唯一映射表
df2_unique <- df2 %>% distinct(original.search, .keep_all = TRUE)

# 左连接后合并列完成替换
df1 <- df1 %>%
  left_join(df2_unique, by = c("species" = "original.search")) %>%
  mutate(species = coalesce(search.str, species)) %>%  # 优先用替换值，无匹配则保留原值
  select(-search.str)  # 删除临时生成的列

3. data.table 高效实现（十万级数据首选）

针对大数据场景做了底层优化，速度和内存占用表现最优，适合10万行以上的数据集：

library(data.table)

# 转换为data.table格式
setDT(df1)
setDT(df2)

# 去重得到唯一映射表
df2_unique <- unique(df2, by = "original.search")

# 按匹配条件直接替换df1的species列
df1[df2_unique, species := i.search.str, on = .(species = original.search)]

关键说明 #

• 必须先对df2去重：重复的original.search会导致匹配歧义，去重后才能保证每个原始值对应唯一的替换值。
• 三种方法各有优势：Base R无需额外安装包；dplyr代码可读性强；data.table在处理大规模数据时效率最高。

内容的提问来源于stack exchange，提问作者hiperhiper