在R中，左键连接两个表，其中两个潜在键包含丢失的数据

背景：

我正在处理一个相当大的（>10000行）个人汽车数据集，我需要对其进行一些分析。我需要保持这个数据集

d

完好无损，但我只想分析日本公司（如日产、本田等）生产的汽车

d

包含诸如

VIN\U前缀

（表示“世界制造商编号”的VIN编号的前两个字母）、车型年份和品牌等信息，但没有明确指示汽车是否由日本公司制造。下面是

d

：

d <- data.frame(
  make = c("GMC","Dodge","NA","Subaru","Nissan","Chrysler"), 
  model_yr = c("1999","2004","1989","1999","2006","2012"), 
  VIN_prefix = c("1G","1D","JH","JF","NA","2C"),
  stringsAsFactors=FALSE) 

在这里，我们可以看到

d

第3行中丢失的“Acura”品牌可以通过其

VIN\u前缀

“JH”来识别，而

d

第3行中的“JH”不是

NA

目标：

左键将

a

连接到

d

上，这样

d

中的3辆日本车中的每一辆都可以从

a

中获得相关的相应属性-主要是

当前ceo

。（对于从

a

连接的列，

d

中的非日本车将具有

NA

；这很好。）

问题：

正如您所知，

d

中的两个相关变量可以用作连接中的键-

make

和

VIN\u前缀

-在

d

中缺少数据。我们可以使用的“匹配规则”是不完美的：我可以在

d$make==a$jp\u makes

或

d$VIN\u prefix==a$VIN\u prefix

上进行匹配，但由于

d

中缺少数据，它们都是错误的

怎么办

我所尝试的：

我可以尝试左键连接这些潜在钥匙中的任何一个，但并非

d

中的所有3辆日本车都能从

a

获得正确的信息：

a <- data.frame(
  VIN_prefix = c("JH","JF","1N"), 
  jp_makes = c("Acura","Subaru","Nissan"),
  current_ceo = c("Toshihiro Mibe","Tomomi Nakamura","Makoto Ushida"), 
  stringsAsFactors=FALSE)

try1 <- left_join(d, a, by = c("make" = "jp_makes"))

try2 <- left_join(d, a, by = c("VIN_prefix" = "VIN_prefix"))

但这只能让我半途而废：我仍然需要

a

中的其他栏目坐在

d

中的日本车旁边。以其他方式手动填充所有缺失的数据是不可行的；这些玩具例子对应的真实数据集太大了，我没有人力和时间

理想情况下，我希望数据集如下所示：

ideal <- data.frame(
  make = c("GMC","Dodge","NA","Subaru","Nissan","Chrysler"), 
  model_yr = c("1999","2004","1989","1999","2006","2012"), 
  VIN_prefix = c("1G","1D","JH","JF","NA","2C"),
  current_ceo = c("NA", "NA", "Toshihiro Mibe","Tomomi Nakamura","Makoto Ushida", "NA"),
  stringsAsFactors=FALSE) 

---

ideal使用双通道方法。首先填写缺失的品牌（或VIN值）。我将通过填写
make
values来说明，注意“NA”与
NA
不同。第一个是字符值，而后者是真正的R缺失值，因此我首先将它们转换为真正的缺失值。在自然语言中，我将根据匹配的VIN\U前缀值，将
d
（注意
df
）中缺失的值替换为取自
a
的“jp\u make”值：

 is.na( d$make) <- df$make=="NA"
 d$make[is.na(df$make)] <- a$jp_makes[
                              match( d$VIN_prefix[is.na(d$make)], a$VIN_prefix) ]

然后，您可以使用
VIN\u prefix.y
中的值替换
VIN\u prefix.x
中的
==“NA”
中的值，使用两次传递方法。首先填写缺失的品牌（或VIN值）。我将通过填写
make
values来说明，注意“NA”与
NA
不同。第一个是字符值，而后者是真正的R缺失值，因此我首先将它们转换为真正的缺失值。在自然语言中，我将根据匹配的VIN\U前缀值，将
d
（注意
df
）中缺失的值替换为取自
a
的“jp\u make”值：

 is.na( d$make) <- df$make=="NA"
 d$make[is.na(df$make)] <- a$jp_makes[
                              match( d$VIN_prefix[is.na(d$make)], a$VIN_prefix) ]

然后，您可以使用
VIN\u prefix.y
中的值替换
VIN\u prefix.x
中的
==“NA”
值，以满足或满足两种条件

library(sqldf)

sqldf("select d.*, a.current_ceo
  from d
  left join a on d.VIN_prefix = a.VIN_prefix or d.make = a.jp_makes")

给予：

      make model_yr VIN_prefix     current_ceo
1      GMC     1999         1G            <NA>
2    Dodge     2004         1D            <NA>
3       NA     1989         JH  Toshihiro Mibe
4   Subaru     1999         JF Tomomi Nakamura
5   Nissan     2006         NA   Makoto Ushida
6 Chrysler     2012         2C            <NA>

将车型识别码前缀设置为当前ceo
1 GMC 1999 1G
2道奇2004 1D
3 NA 1989 JH Toshihiro Mibe
4斯巴鲁1999 JF中村友美
5日产2006 NA Makoto Ushida
6克莱斯勒2012 2C
在两种情况中的一种或上左连接

library(sqldf)

sqldf("select d.*, a.current_ceo
  from d
  left join a on d.VIN_prefix = a.VIN_prefix or d.make = a.jp_makes")

给予：

      make model_yr VIN_prefix     current_ceo
1      GMC     1999         1G            <NA>
2    Dodge     2004         1D            <NA>
3       NA     1989         JH  Toshihiro Mibe
4   Subaru     1999         JF Tomomi Nakamura
5   Nissan     2006         NA   Makoto Ushida
6 Chrysler     2012         2C            <NA>

将车型识别码前缀设置为当前ceo
1 GMC 1999 1G
2道奇2004 1D
3 NA 1989 JH Toshihiro Mibe
4斯巴鲁1999 JF中村友美
5日产2006 NA Makoto Ushida
6克莱斯勒2012 2C
您描述的问题是
d
中没有3个日本品牌。你并不是说当make是
NA
或“NA”时要使用什么匹配或对齐规则。我编辑了这篇文章来澄清这一点。在
d
中确实有3种日本品牌：第3行、第4行和第5行。第3行只能通过其VIN_前缀显示为日语，但它确实是一个Acura。让我知道我的编辑是否更有意义，并感谢您的反馈。这对提高我的理解非常有帮助。您描述的问题是
d
中没有3个日本品牌。你并不是说当make是
NA
或“NA”时要使用什么匹配或对齐规则。我编辑了这篇文章来澄清这一点。在
d
中确实有3种日本品牌：第3行、第4行和第5行。第3行只能通过其VIN_前缀显示为日语，但它确实是一个Acura。让我知道我的编辑是否更有意义，谢谢你的反馈。这对提高我的理解非常有帮助。是的，我的意思是“真实”的R
NA
值，而不是我在帖子中的字符。我现在将尝试将您的解决方案调整到我的“真实”数据集。非常感谢。将返回报告。正在获取两个错误：
df$make中的错误：“closure”类型的对象不可子集
。当你说df$make时，你是指d$make吗？在我的示例中，我没有数据集
df
；-）我的原创作品在几个地方都有
df
，应该是
d
。出现奇怪的错误消息是因为
df
是一个函数