Base R/dplyr中多条件匹配数据框：merge用法纠错与优化

我尝试匹配nCode和grpRnk两个数据框，用下方代码得到的输出里，最右侧列的值是对的，但多出来grpRnk$Name到$subGrp这些不必要的列（第6-10列），而且原本指定的grpRnk最后一列名称没生效，反而显示成$grpRnk。想问下我是不是正确使用了merge()函数？有没有更正确或高效的多因子匹配方法？

输出结果 #

Name  Group nmCnt seqBase subGrp grpRnk$Name $Group $nmCnt $seqBase $subGrp $grpRnk
  <chr> <dbl> <int>   <int>  <int> <chr>        <dbl>  <int>    <int>   <int>   <int>
1 R         0     1       1      0 B                0      1        1       0      NA
2 R         0     2       2      0 R                0      1        1       0      NA
3 B         0     1       1      0 R                0      2        2       0      NA
4 R         0     3       3      0 R                0      3        3       0      NA
5 X         1     1       1      1 X                1      1        1       1       1
6 X         1     2       1      2 X                1      2        1       2       1

用到的代码 #

library(dplyr)

myDF1 <- 
  data.frame(
    Name = c("R","R","B","R","X","X"),
    Group = c(0,0,0,0,1,1)
  )

nCode <-  myDF1 %>%
  group_by(Name) %>%
  mutate(nmCnt = row_number()) %>%
  ungroup() %>%
  mutate(seqBase = ifelse(Group == 0 | Group != lag(Group), nmCnt,0)) %>%
  mutate(seqBase = na_if(seqBase, 0)) %>%
  group_by(Name) %>%
  fill(seqBase) %>%
  mutate(seqBase = match(seqBase, unique(seqBase))) %>%
  ungroup() %>%
  mutate(subGrp = as.integer(ifelse(Group > 0, sapply(1:n(), function(x) sum(Name[1:x]==Name[x] & Group[1:x] == Group[x])),0))) 

grpRnk <- nCode %>% select(Name,Group,nmCnt) %>% 
  filter(Group > 0) %>% 
  group_by(Name,Group) %>% 
  slice(which.min(Group)) %>% 
  ungroup() %>%
  arrange(nmCnt) %>%
  mutate(grpRnk = dense_rank(nmCnt)) %>%
  select (-nmCnt)

nCode %>% mutate(grpRnk = merge(nCode,grpRnk, by=c("Name","Group"), all.x=T))

1. 为什么当前merge()用错了？ #

你把merge()的结果直接赋值给mutate()里的grpRnk列，但merge()返回的是完整的数据框，不是单一列，所以整个合并后的框被塞进了原数据的一列中，导致出现冗余前缀列、列名混乱的问题。

2. 正确的匹配方式 #

方法一：直接使用merge() #

不需要嵌套在mutate()里，直接合并两个数据框：

merge(nCode, grpRnk, by = c("Name", "Group"), all.x = TRUE)

这样会得到合并后的完整数据，只保留nCode的原有列和grpRnk中的grpRnk列，无冗余内容。

方法二：用dplyr的left_join()（更适配你的代码风格） #

既然已经在用dplyr管道，用left_join()更连贯，效果和merge(all.x=TRUE)完全一致：

nCode %>% 
  left_join(grpRnk, by = c("Name", "Group"))

方法三：硬要嵌套在mutate()里的写法（不推荐） #

如果坚持要通过mutate()添加列，可以先合并再提取目标列，但不如前两种直接：

nCode %>% 
  mutate(grpRnk = left_join(., grpRnk, by = c("Name", "Group")) %>% pull(grpRnk))

3. 额外优化：简化grpRnk生成代码 #

你生成grpRnk时，slice(which.min(Group))可以简化，因为已经按Name,Group分组且过滤了Group>0，直接用distinct或slice(1)即可：

grpRnk <- nCode %>% 
  filter(Group > 0) %>% 
  distinct(Name, Group, .keep_all = TRUE) %>% 
  arrange(nmCnt) %>%
  mutate(grpRnk = dense_rank(nmCnt)) %>%
  select(Name, Group, grpRnk)

内容的提问来源于stack exchange，提问作者Village.Idyot