如何在R语言使用full_join时自动添加数据集标识变量

方案1：使用dplyr 1.1.0及以上版本内置id参数（最简洁） #

dplyr从1.1.0版本开始，所有连接函数（包括full_join()）都新增了id参数，直接指定该参数即可自动生成来源标识列，无需手动修改原数据集：

library(dplyr)

# 原始数据
df1 <- tribble(~ID, ~x,
"A", 1,
"B", 2,
"C", 3)

df2 <- tribble(~ID, ~y,
"D", 4,
"E", 5,
"F", 6)

# 直接指定id参数为新增标识列的列名
combined <- df1 %>% 
  full_join(df2, by = "ID", id = "dataset")

生成的dataset列取值规则：

• 1：该行仅存在于第一个输入表（df1）
• 2：该行仅存在于第二个输入表（df2）
• 3：该行在两个表中均存在（匹配成功的行）

如果不需要区分「双表共有」的行，只要匹配你原有标识逻辑，可以加一步简单调整：

combined <- df1 %>% 
  full_join(df2, by = "ID", id = "dataset") %>% 
  mutate(dataset = ifelse(dataset %in% c(1,3), 1, 2))

方案2：旧版本dplyr兼容写法 #

如果你使用的dplyr版本低于1.1.0，没有内置id参数，可以用以下写法，无需提前修改原表：

combined <- df1 %>% 
  mutate(dataset = 1) %>% 
  full_join(df2 %>% mutate(dataset = 2), by = "ID") %>% 
  # 补全标识，和你原有逻辑一致
  mutate(dataset = coalesce(dataset, 2))

内容的提问来源于stack exchange，提问作者Enigma