dplyr, lapply oder Karteninformationen von einem data.frame zu identifizieren und sie in einer anderen bearbeiten

Question

platzieren:

Leider y'all, ich nicht eine Frage umbuchen wollte. Das Problem, das ich habe, besteht nicht nur darin, zwei Tabellen zu verbinden, es verbindet zwei Tabellen mit einer Spalte, die in beiden Tabellen nicht genau gleich ist (ich habe die Beispieldaten aktualisiert, um dies zu veranschaulichen). Das heißt, ich möchte pmatch oder str_detect die Zeichenfolgen in der Spalte Test.Takers $ First mit der Spalte Every.Student.In.Country $ First. Ich bin mir nicht sicher, wie man pmatch oder str_detect in left_join einbaut. Wenn Sie mich auf einen SO-Artikel hinweisen könnten, der dies abdeckt, wäre ich Ihnen dankbar. Mein Programmiersprache ist immer noch ziemlich schlecht, so dass keine der Fragen, die ich in SO gestellt habe, mich zu etwas Nützlichem führt.

Wie auch immer, ich habe herausgefunden, wie man lapply auf meinem data.frames verwendet: es stellte sich heraus, dass ich nur jede Zeile des data.frame in ein einzelnes Listenelement konvertieren musste. Ich musste die 'Matching_name_one_row'-Funktion anpassen, um nur eine Eingabe zu haben, damit es funktioniert. Es ist eigentlich viel langsamer als die anderen beiden Codes: '0 (

matching_name_one_row <- function(student_df) { 
    require(dplyr) 
    require(stringr) 

    indexmp <- Every.Student.In.The.Country %>% filter(Paternal == as.character(student_df$Paternal), Maternal == as.character(student_df$Maternal)) 
    id_num <- indexmp$id_num[str_detect(indexmp$First, as.character(student_df$First))] 
    return(id_num[1]) 
} 


rowlist <- list() 
for(i in 1:nrow(Test.Takers)) {rowlist[[i]]<- Test.Takers[i,]} 
Test.Takers$id_num <- unlist(lapply(rowlist, matching_name_one_row)) 

Original Question (mit aktualisierten Daten):

Test.Takers <- data.frame(
    Paternal = c('Last', 'Last','Last', 'Paternal', 'Paternal', "Father's Name"), 
    Maternal = c('Maternal', 'Maternal', 'Last', 'Maternal', 'Last', "Mother's Name"), 
    First = c('First', 'Name', 'First', 'Name', 'First', 'BEE'), 
    id_num = NA, 
    stringsAsFactors = F) 

Every.Student.In.The.Country <- data.frame(
    Paternal = c('Last', 'Last', 'Last', 'Paternal', 'Paternal', 'Paternal', "Father's Name"), 
    Maternal = c('Maternal', 'Last', 'Last', 'Maternal', 'Last', 'Maternal', "Mother's Name"), 
    First = c('First', 'Name', 'First', 'Name', 'First', 'Something Else', 'BEEMYFRIEND'), 
    id_num = c(123, 456, 789, 234, 567, 890, 101), 
    stringsAsFactors = F) 

Ich habe zwei ähnliche data.frames Die erste data.frame. enthält ~ 30000 Namen ohne id_nums und mit vielen anderen Variablen, die ich weglasse. Der zweite data.frame enthält ~ 12000000 Namen mit id_nums. Ich möchte den ersten data.frame mit id_nums füllen, indem ich die Namen (väterlich, mütterlich, und 1.) in den beiden data.frames

Ich habe zwei Lösungen gefunden, aber beide sind sehr langsam. Die langsamste, aber am einfachsten Code zu lesen ist:

matching_name_one_row <- function(student_df, citizen_df) { 
    require(dplyr) 
    require(stringr) 

    indexmp <- citizen_df %>% filter(Paternal == as.character(student_df$Paternal), Maternal == as.character(student_df$Maternal)) 
    id_num <- indexmp$id_num[str_detect(indexmp$First, as.character(student_df$First))] 
    return(id_num[1])} 


for(i in 1:nrow(Test.Takers)) {Test.Takers$id_num[i] = matching_name_one_row(Test.Takers[i,],Every.Student.In.The.Country)} 

Die Funktion oben (matching_name_one_row) nur eine Zeile von Informationen aus dem Test.Takers data.frame nimmt. Ich habe es auf diese Weise erstellt, weil ich dachte, es würde es einfacher machen, die Funktion in einer Map() - oder lapply() - Funktion zu verwenden. Allerdings verstehe ich weder Map noch lapply, also bin ich gezwungen, den oben beschriebenen Code zu verwenden. Es ist sehr langsam ...

Die (leicht) schneller, aber ärgerlicher Code zu lesen unter:

adding_id <- function(student_df, citizen_df){ 

    require(dplyr) 
    require(stringr) 

    #Will hold subsets of last names 
    indexp <- data.frame(Paternal='name') 
    indexm <- data.frame(Maternal='name') 

    for(i in 1:nrow(student_df)) { 

    #Last names of current observation 
    namep <- student_df$Paternal[i] 
    namem <- student_df$Maternal[i] 

    #Prevents from iterating through the entire citizen_df unnecessarily 
    if(is.na(as.character(indexp$Paternal[1])) == T | as.character(indexp$Paternal[1]) != namep) { 

     indexp <- citizen_df %>% filter(Paternal == as.character(student_df$Paternal[i])) 

    } 

    #Error occurs when a name does not exist in the citizen file 
    if(is.na(indexp$Paternal[1]) == F) { 

     #Prevents from iterating through the entire citizen_df unnecessarily 
     if(is.na(as.character(indexm$Maternal[1])) == T | as.character(indexm$Maternal[1]) != namem) { 

     indexm <- indexp %>% filter(Maternal == as.character(student_df$Maternal[i])) 

     } 

     #Attach id_num if there is a partial string match for the first name 
     student_df$id_num[i] <- indexm$id_num[str_detect(indexm$First, as.character(student_df$First[i]))][1] 

    } 

    } 

    #creates a df for students with id_num found and not found 
    id_found <<- student_df %>% filter(is.na(id_num)==F) 
    id_not_found <<- student_df %>% filter(is.na(id_num)==T) 

} 

Beiden Codes funktionieren, aber mindestens 11 Stunden in Anspruch nehmen. Ich bin mir sicher, dass es schnellere Wege gibt, die gleichen Dinge mit dplyr, lapply und Map zu erreichen. Zum Beispiel weiß ich, dass dplyr Verben mit zwei Tabellen hat, die wahrscheinlich für diese Art von Variablenabgleich gedacht sind, ich weiß einfach nicht, wie man die Verben mit zwei Tabellen implementiert. Bitte hilf mir.

Answer 1

Sie sind auf dem richtigen Weg. Die dplyr wurde für solche Probleme entwickelt. Sie werden die Join-Funktionen recherchieren müssen, aber für das, was Sie beschreiben, sollte die linke Version die richtige Version sein.

library(dplyr) 
left_join(Test.Takers, Every.Student.In.The.Country, by=c("Paternal", "Maternal", "First")) 

Dies wird nun die ID-Spalte aus dem Rahmen Every.Student.In.The.Country Daten hinzufügen, auf den Test.Takers Datenrahmen.