在R数据帧中插入值的简单查找

这是一个看似简单的R问题，但我在这里看不到确切的答案。我有一个数据框（alldata），看起来像这样：

Case     zip     market
1        44485   NA
2        44488   NA
3        43210   NA

有350多万条记录

然后，我有第二个数据帧“zipcodes”

market    zip
1         44485
1         44486
1         44488
...       ... (100 zips in market 1)
2         43210
2         43211
...       ... (100 zips in market 2, etc.)

---

我希望根据alldata$zip与zipcode数据框中的相应值相匹配，为每个案例找到alldata$market的正确值。我只是在寻找正确的语法，非常感谢您一如既往地提供帮助。

由于您不关心

alldata

中的

market

列，您可以首先使用

alldata

将其剥离，然后使用

merge

基于

zip

列合并

zipcodes

：

merge(alldata[, c("Case", "zip")], zipcodes, by="zip")

---

by

参数指定了键条件，因此如果您有一个复合键，您可以使用如此大的数据集执行类似于

by=c（“zip”、“otherfield”）

的操作，您可能需要环境查找的速度。您可以从以下位置使用

查找
功能：

library(qdapTools)
alldata$market <- lookup(alldata$zip, zipcodes[, 2:1])

以下是执行此操作的
dplyr
方法：

library(tidyverse)
alldata %>%
  select(-market) %>%
  left_join(zipcodes, by="zip")

在我的机器上，它的性能与
查找
另一个对我有效且非常简单的选项大致相同：

alldata$market<-with(zipcodes, market[match(alldata$zip, zip)])

alldata$market匹配的语法有点笨拙。您可能会发现
查找
包更易于使用

alldata <- data.frame(Case=1:3, zip=c(44485,44488,43210), market=c(NA,NA,NA))
zipcodes <- data.frame(market=c(1,1,1,2,2), zip=c(44485,44486,44488,43210,43211))
alldata$market <- lookup(alldata$zip, zipcodes$zip, zipcodes$market)
alldata
##   Case   zip market
## 1    1 44485      1
## 2    2 44488      1
## 3    3 43210      2

要查找的所有数据
合并
。搜索
[r]merge
，您将发现it@Ricardo3.5上的Saporta
merge
可能有点慢。@Tylerlinker，我经常在4亿行上使用
merge.data.table
，而且速度相当快。使用
qdap
though wow从未处理过这么大的数据。感谢经验丰富的回复。Tyler，我在一个更大的数据上测试了这一点，并且
查找（.）
这一步证明很耗时（我在一段时间后停止了它）。我把它当作一个例子。我做得对吗？通过快速调试，耗时的部分似乎是
sapply（.）
内部的
recoder
函数。@Arun感谢您提供的要点。根据您的发现，我在中添加了一些改进，这些改进显著提高了速度。只是出于好奇，您将
data.table
放在了测试台上，以查看其比较结果。我已经阅读了
数据。table
在查找方面做了一些很好的改进，包括字符查找。我用两种方法编辑了要点。1） 不过，使用
match
和
：=
的连接（尽管这里确实不需要）和2）会更好地对海量数据进行基准测试。是的，从1.9.0+到现在有很多值得欢迎的变化。这应该是令人信服的：
require（data.table）；结实种子（1L）；x=样品（0（“V”，1:1e6））；system.time（ans1）非常简单，但也非常棒！如果你能解释一下那里发生了什么，那就太好了。在R文档中：“
match
返回第一个参数在第二个参数中（第一个）匹配位置的向量”因此，基本上，
match
返回一个正确的索引向量，以访问zipcodes$market，为alldata$market获取正确的市场值。这不会为不在alldata中的邮政编码引入NAs吗？@Rodrigo默认情况下，您将只获得两个数据帧中都匹配的行。这可以通过
all
，
all.x ，和
all.y
选项
alldata <- data.frame(Case=1:3, zip=c(44485,44488,43210), market=c(NA,NA,NA))
zipcodes <- data.frame(market=c(1,1,1,2,2), zip=c(44485,44486,44488,43210,43211))
alldata$market <- lookup(alldata$zip, zipcodes$zip, zipcodes$market)
alldata
##   Case   zip market
## 1    1 44485      1
## 2    2 44488      1
## 3    3 43210      2