Fatal编程技术网
  • r/
  • R 将多个数据帧合并到一列中

R 将多个数据帧合并到一列中

r

R 将多个数据帧合并到一列中,r,data.table,R,Data.table,大家好，我再次来到这里是想问你们一些问题 我已经用dmy HM格式的两列“温度和日期”分隔了csv，这些文档来自单个数字温度计，一次只能存储4个月。 我想阅读所有这些文件，并将它们的可变温度放入一个新的df（Union）中，仅在一列中 为了制作单个文档，我创建了一个名为“date”的df，其日期时间序列比任何其他csv都大，以便将此“n”文档与列“date”合并，以便在日期相同时粘贴值 我的输入如下： Date<- seq(as.POSIXlt("2017-01-01 00:00:00",

大家好，我再次来到这里是想问你们一些问题

我已经用dmy HM格式的两列“温度和日期”分隔了csv，这些文档来自单个数字温度计，一次只能存储4个月。 我想阅读所有这些文件，并将它们的可变温度放入一个新的df（Union）中，仅在一列中

为了制作单个文档，我创建了一个名为“date”的df，其日期时间序列比任何其他csv都大，以便将此“n”文档与列“date”合并，以便在日期相同时粘贴值

我的输入如下：

Date<- seq(as.POSIXlt("2017-01-01 00:00:00", tz="UTC"),
     as.POSIXlt("2017-03-01 00:00:00", tz="UTC"), 
     by="60 min")
temp = runif(1417, min = 32, max = 100)
df1 <- data.frame(Date,temp)

Date<- seq(as.POSIXlt("2017-03-01 00:00:00", tz="UTC"),
     as.POSIXlt("2017-06-01 00:00:00", tz="UTC"), 
     by="60 min")
temp = runif(2209, min = 32, max = 100)
df2 <- data.frame(Date,temp)
这只适用于1个df，但是，我如何能够自动将2个df中的多个合并合并到Union中的单个列中呢

我希望你能帮助我。
谢谢

我将生成一些示例数据，以演示如何使用
Reduce
和
merge
。我假设您想要一个“宽”格式，每个位置都有一列

set.seed(123)

# list of 10 data.tables with columns date and temp

ldat <- lapply(1:10, function(x) data.table(date = sample(seq(as.Date('2016/01/01'), as.Date('2016/01/31'), by="day"), 12),
                                            temp = runif(12, min = 32, max = 100)))

# right now, each table in the list has the same column name
# change the 'temp' column name to the location it was collected

loc_vect <- c("Alabama", "Alaska", "Arizona", "Arkansas", "California", 
              "Colorado", "Connecticut", "Indiana", "Iowa", "Kansas")

ldat <- lapply(1:10, function(x) setnames(ldat[[x]], c("date", "temp"), c("date", loc_vect[x])))
如果您希望它采用“高”格式（只有两列表示日期、临时，可能还有第三列表示位置），那么通过添加“位置”列并使用
rbindlist（dat）
就更容易了。但是，从当前表来看，可以使用melt

melt(dat, 
     id.vars = "date", 
     variable.name = "Location", 
     value.name = "Temp")[!is.na(Temp)]
导致：

           date Location     Temp
  1: 2016-01-02  Alabama 34.86005
  2: 2016-01-09  Alabama 78.07480
  3: 2016-01-10  Alabama 99.61034
  4: 2016-01-11  Alabama 79.11063
  5: 2016-01-12  Alabama 38.99888
 ---                             
116: 2016-01-19   Kansas 49.73827
117: 2016-01-24   Kansas 74.04788
118: 2016-01-25   Kansas 35.97654
119: 2016-01-26   Kansas 61.13266
120: 2016-01-31   Kansas 42.39633
如果没有样本数据集和所需的解决方案，我不能完全确定您的要求。您可以使用
stack（）


> x <- data.frame(x = seq(1,3), y = seq(11,13), z = seq(21,23))
> x
  x  y  z
1 1 11 21
2 2 12 22
3 3 13 23
> stack(x)
  values ind
1      1   x
2      2   x
3      3   x
4     11   y
5     12   y
6     13   y
7     21   z
8     22   z
9     23   z



>x
x y z
1 1 11 21
2 2 12 22
3 3 13 23
>堆栈（x）
价值观
1×11
2×2
3 x
4.11年
5年12月
6月13日
7 21 z
8 22 z
9 23 z



我假设x、y、z在您的示例中是不同的气象站，这是在您创建了一个大表并希望从主表中获得一个两列数据集之后。
Wow mate您的答案令人惊讶，适用于我的下一步，但这不是我需要的。我需要放在一列中的所有文件都是一个数字温度计的观测值，它只能存储4个月的观测值。所以，根据你的例子；我需要为每个数据帧设置4个不同月份的序列，其中日期从不相交，但我希望有更大的日期-时间序列，当信息为无时，它将显示NA。然后将所有温度数据合并到一个列中。我很难想象您正在尝试做什么。您能否提供几个示例文档，以及您希望通过组合它们获得的输出？

          date  Alabama   Alaska  Arizona Arkansas California Colorado Connecticut  Indiana     Iowa   Kansas
 1: 2016-01-01       NA 47.84632       NA 61.57271         NA       NA          NA       NA       NA       NA
 2: 2016-01-02 34.86005       NA 58.10994       NA         NA       NA          NA       NA       NA 45.44664
 3: 2016-01-03       NA       NA 86.01528 76.41093   42.00244 61.88134    46.82337       NA       NA       NA
 4: 2016-01-04       NA 60.18915 62.49911       NA         NA 98.62789          NA       NA 64.77890       NA
 5: 2016-01-05       NA       NA 87.24249       NA         NA       NA          NA       NA       NA       NA
 6: 2016-01-06       NA       NA       NA 55.35912         NA       NA    68.29078 50.02121 46.70533       NA
 7: 2016-01-07       NA       NA       NA 92.72748         NA 76.86901    46.74871       NA       NA       NA
 8: 2016-01-08       NA 41.71040 74.78704       NA         NA       NA    47.03500 53.24648       NA 68.86146
 9: 2016-01-09 78.07480       NA 77.22783 40.88731   96.44543 67.43723    56.17029 94.09680       NA 88.57107
10: 2016-01-10 99.61034 63.68545       NA       NA         NA 82.12129          NA       NA       NA       NA
11: 2016-01-11 79.11063       NA       NA 92.27990         NA       NA          NA       NA 43.60388 79.48179
12: 2016-01-12 38.99888       NA       NA       NA   69.35136       NA    57.48055 93.32746       NA 86.63246
13: 2016-01-13 92.48867       NA 50.65809       NA   81.00055       NA          NA 89.10421 35.24113 94.26648
14: 2016-01-14 54.29861       NA       NA 98.97707   95.60039 32.71176          NA       NA 51.60027       NA
15: 2016-01-15       NA       NA 87.08438 76.65955   52.48357       NA          NA 70.39215       NA       NA
16: 2016-01-16       NA 53.63631       NA 43.90358         NA 59.84430          NA       NA       NA       NA
17: 2016-01-17       NA 47.75055 61.90855       NA   36.12900       NA          NA 50.02223       NA 59.00633
18: 2016-01-18       NA 41.43881       NA       NA         NA 44.50177          NA       NA 43.70768       NA
19: 2016-01-19       NA       NA 83.30431       NA         NA       NA          NA 80.16374 91.85676 49.73827
20: 2016-01-20       NA       NA       NA       NA   96.87820       NA    56.06551 64.72771       NA       NA
21: 2016-01-21 75.55446 83.57525       NA       NA         NA 77.76394          NA       NA       NA       NA
22: 2016-01-22 96.90625 46.71574 87.39552       NA   71.81287       NA    76.19899 53.86083 77.85759       NA
23: 2016-01-23       NA       NA       NA 38.99480   41.67601       NA          NA       NA       NA       NA
24: 2016-01-24 70.93907       NA       NA       NA         NA       NA          NA 72.41534       NA 74.04788
25: 2016-01-25 93.18810 60.13325       NA 53.78538   59.92690 53.19575          NA       NA       NA 35.97654
26: 2016-01-26 48.73397       NA 38.44916 44.76300         NA 85.46715          NA       NA       NA 61.13266
27: 2016-01-27       NA       NA       NA       NA         NA       NA    70.89160       NA 79.65801       NA
28: 2016-01-28       NA       NA       NA       NA         NA       NA    82.34274       NA 56.75825       NA
29: 2016-01-29       NA 42.36624       NA       NA         NA       NA    66.15637 50.64333 49.20162       NA
30: 2016-01-30       NA 57.08149       NA       NA         NA 87.88277    62.24422       NA       NA       NA
31: 2016-01-31       NA       NA       NA       NA   59.50670       NA          NA       NA 59.37499 42.39633
          date  Alabama   Alaska  Arizona Arkansas California Colorado Connecticut  Indiana     Iowa   Kansas



melt(dat, 
     id.vars = "date", 
     variable.name = "Location", 
     value.name = "Temp")[!is.na(Temp)]



           date Location     Temp
  1: 2016-01-02  Alabama 34.86005
  2: 2016-01-09  Alabama 78.07480
  3: 2016-01-10  Alabama 99.61034
  4: 2016-01-11  Alabama 79.11063
  5: 2016-01-12  Alabama 38.99888
 ---                             
116: 2016-01-19   Kansas 49.73827
117: 2016-01-24   Kansas 74.04788
118: 2016-01-25   Kansas 35.97654
119: 2016-01-26   Kansas 61.13266
120: 2016-01-31   Kansas 42.39633



> x <- data.frame(x = seq(1,3), y = seq(11,13), z = seq(21,23))
> x
  x  y  z
1 1 11 21
2 2 12 22
3 3 13 23
> stack(x)
  values ind
1      1   x
2      2   x
3      3   x
4     11   y
5     12   y
6     13   y
7     21   z
8     22   z
9     23   z