R语言合并多数据框避免重复列与数据错位问题咨询

问题原因 #

• 重复公共列：合并时仅指定ultorg作为唯一匹配键，另外两个公共列sector、subind未被纳入匹配键，合并时会自动加.x/.y后缀保留多份，导致重复列。
• 董事会数据错误填充：PAC、Lobby为「企业-年份」维度的面板数据，单个企业对应多年份多行数据，仅用企业名称作为匹配键时，单个企业的所有年份行都会匹配到BoardData中该企业唯一的2015年数据，导致非2015年的行被错误填充。
• 补充：原代码最后一次合并用了中文引号，会直接触发语法报错。

解决代码 #

默认前提：PAC、Lobby表中均有名为year的年份列，同一个企业对应的sector、subind值在三个表中完全一致。

library(tidyverse)
library(readxl)

setwd("~/Desktop/thesis")

# 读入数据
PAC <- read_excel("PAC.xlsx")
Lobby <- read_excel("Lobby.xlsx")
BoardData <- read_excel("BoardData.xlsx")

# 预处理BoardData：如果本身没有year列，手动添加2015年份标识
# 如果本身已有year列且值均为2015，可删除下面这行代码
BoardData <- BoardData %>% mutate(year = 2015)

# 合并数据，匹配键包含所有公共列+年份，未匹配到的行自动填充NA
alldata <- PAC %>% 
  left_join(Lobby, by = c("ultorg", "sector", "subind", "year")) %>% 
  left_join(BoardData, by = c("ultorg", "sector", "subind", "year"))

特殊情况适配 #

如果三个表中同一个企业对应的sector、subind值存在差异，可选择以PAC表的对应值为基准，提前删除另外两个表的这两列即可，合并代码调整为：

# 提前删除冗余公共列
Lobby <- Lobby %>% select(-sector, -subind)
BoardData <- BoardData %>% select(-sector, -subind) %>% mutate(year = 2015)

# 仅用企业+年份作为匹配键
alldata <- PAC %>% 
  left_join(Lobby, by = c("ultorg", "year")) %>% 
  left_join(BoardData, by = c("ultorg", "year"))

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