基于dplyr实现数据框左连接后新增存在性标识列

问题分析 #

你需要基于ID和Name的组合，标记记录是否同时存在于dfa和dfb中，之前的错误在于直接引用原DataFrame的列（如dfa$ID），导致长度不匹配或逻辑判断不准确——连接后的DataFrame行数可能与原DataFrame不同，且判断需基于ID+Name的组合而非单独的ID。

准备工作 #

先加载dplyr并定义示例数据：

library(dplyr)

dfa <- data.frame(
  ID = c(11,42,21,3,4),
  Name = c("ab", "bc", "cd", "de","fg")
)

dfb <- data.frame(
  ID = c(11,32,11,3),
  Name = c("ab", "bb", "fd", "de"),
  Note = c("blue","white","black","yellow")
)

方案1：左连接（仅保留dfa的所有行） #

如果只需要保留dfa的所有记录，标记哪些在dfb中存在：

join_result <- dfa %>%
  left_join(dfb, by = c("ID", "Name")) %>%
  mutate(
    new = case_when(
      !is.na(Note) ~ "exists",  # 匹配到dfb的记录
      TRUE ~ "is new"           # 未匹配到的新增记录
    )
  )

输出结果：

ID Name    Note     new
1 11   ab    blue  exists
2 42   bc    <NA> is new
3 21   cd    <NA> is new
4  3   de yellow  exists
5  4   fg    <NA> is new

方案2：全连接（保留两个DataFrame的所有行） #

如果需要同时保留dfa和dfb的所有记录，区分三类情况：同时存在、仅在dfa、仅在dfb：

# 先提取两个DataFrame的ID+Name唯一组合键
dfa_keys <- dfa %>% unite(temp_key, ID, Name, remove = FALSE) %>% pull(temp_key)
dfb_keys <- dfb %>% unite(temp_key, ID, Name, remove = FALSE) %>% pull(temp_key)

# 全连接并标记
join_result <- full_join(dfa, dfb, by = c("ID", "Name")) %>%
  mutate(
    temp_key = paste(ID, Name, sep = "_"),
    new = case_when(
      temp_key %in% dfa_keys & temp_key %in% dfb_keys ~ "exists",
      temp_key %in% dfa_keys ~ "only in dfa",
      temp_key %in% dfb_keys ~ "only in dfb"
    )
  ) %>%
  select(-temp_key)  # 删除临时键列

输出结果：

ID Name    Note          new
1 11   ab    blue       exists
2 42   bc    <NA>  only in dfa
3 21   cd    <NA>  only in dfa
4  3   de yellow       exists
5  4   fg    <NA>  only in dfa
6 32   bb   white only in dfb
7 11   fd   black only in dfb

为什么你的代码出错？ #

1. 直接引用原DataFrame列：dfa$ID %in% dfb$ID使用的是原dfa和dfb的列，连接后的DataFrame行数可能与原数据不同，导致长度不匹配或逻辑错误（该判断仅检查ID是否存在，未考虑Name的匹配）。
2. 向量长度不匹配：dfa$ID == dfb$ID直接比较两个长度不同的向量，R会循环短向量，导致结果错误或报错。

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