R dplyr连接两表时保留异名匹配列、丢弃同名重复列的方法

使用dplyr::left_join()做两表连接时，需要同时使用两类列作为连接键：

• 两表中名称完全相同的列
• 两表中名称不一致的列

期望输出规则：

• 两表中名称不同的连接列全部保留
• 同名连接列仅保留1份，不生成重复列

现有方案存在明显缺陷：

• 默认参数下，异名匹配的右表连接列会被直接丢弃
• 设置keep = TRUE时，同名连接列会生成带后缀的重复列，无法自动区分保留/丢弃规则

问题复现代码 #

# 示例：默认参数连接，carb列被丢弃
dplyr::left_join(
  dplyr::select(head(mtcars), vs, am, gear), 
  dplyr::select(tail(mtcars), vs, am, carb, qsec), 
  by = c("vs", "am", "gear" = "carb")) 
#>   vs am gear qsec
#> 1  0  1    4 14.5
#> 2  0  1    4 14.5
#> 3  1  1    4   NA
#> 4  1  0    3   NA
#> 5  0  0    3   NA
#> 6  1  0    3   NA

# 非目标方案：设置keep=TRUE，同名列产生重复
dplyr::left_join(
  dplyr::select(head(mtcars), vs, am, gear), 
  dplyr::select(tail(mtcars), vs, am, carb, qsec), 
  by = c("vs", "am", "gear" = "carb"),
  keep = TRUE) 
#>   vs.x am.x gear vs.y am.y carb qsec
#> 1    0    1    4    0    1    4 14.5
#> 2    0    1    4    0    1    4 14.5
#> 3    1    1    4   NA   NA   NA   NA
#> 4    1    0    3   NA   NA   NA   NA
#> 5    0    0    3   NA   NA   NA   NA
#> 6    1    0    3   NA   NA   NA   NA

预期输出 #

#>   vs am gear carb qsec
#> 1  0  1    4    4 14.5
#> 2  0  1    4    4 14.5
#> 3  1  1    4   NA   NA
#> 4  1  0    3   NA   NA
#> 5  0  0    3   NA   NA
#> 6  1  0    3   NA   NA

目前的临时实现方式是设置suffix = c("", ".y")，连接完成后再删除带.y后缀的重复列，但需要额外执行列选择步骤：

library(magrittr)
dplyr::left_join(
  dplyr::select(head(mtcars), vs, am, gear), 
  dplyr::select(tail(mtcars), vs, am, carb, qsec), 
  by = c("vs", "am", "gear" = "carb"),
  keep = TRUE,
  suffix = c("", ".y")) %>%
  dplyr::select(!dplyr::ends_with(".y"))

^{示例创建于2022-06-22，基于reprex包（v2.0.1）生成}

不需要额外的select步骤，直接把by参数里的所有连接键都写成"左表列名" = "右表列名"的完整命名向量格式即可，代码如下：

dplyr::left_join(
  dplyr::select(head(mtcars), vs, am, gear), 
  dplyr::select(tail(mtcars), vs, am, carb, qsec), 
  by = c("vs" = "vs", "am" = "am", "gear" = "carb")
)

运行结果和预期完全一致，没有重复列，也没有丢失异名连接键。

原理说明 #

这是dplyrby参数的内置处理规则：

• 如果传入无名字符串（比如直接写"vs"）属于简写形式，默认按「两表同名列匹配，仅保留左表列」处理，异名匹配的右表连接列会被直接丢弃
• 如果全部传入命名向量格式的键值对，dplyr会逐对判断左右列名：左右列名一致就只保留一份列，列名不一致就自动把两列都保留在结果中，完全匹配需求的保留规则，不需要额外的后缀处理和列筛选操作。

内容的提问来源于stack exchange，提问作者Paul