R 通过某些变量在两个不同的数据帧分组中查找两个集合的连接

我有两个数据帧：

setA：

   session_id            datetime request
        <int>              <dttm>   <dbl>
1        1105 2016-03-09 00:33:42       8
2        1105 2016-03-09 00:33:43       3
3        1107 2016-03-09 00:44:24      14
4        1107 2016-03-09 00:44:26      14
5        1108 2016-03-09 00:54:02       9
6        1108 2016-03-09 00:54:04      10
7        1109 2016-03-09 01:01:37      17
8        1109 2016-03-09 01:01:39       6
9        1110 2016-03-09 01:02:49      10
10       1110 2016-03-09 01:02:49       8

   session_id            datetime request
        <int>              <dttm>   <dbl>
1        1105 2016-03-09 00:33:45       3
2        1107 2016-03-09 00:44:29       7
3        1108 2016-03-09 00:54:06      10
4        1109 2016-03-09 01:01:40       6
5        1110 2016-03-09 01:02:51       5
6        1111 2016-03-09 01:18:36      14
7        1111 2016-03-09 01:18:38      16
8        1112 2016-03-09 01:21:20       1
9        1112 2016-03-09 01:21:21      19
10       1114 2016-03-09 01:29:58      13

…但按sessionid分组

---

我希望你能明白。我想你可以做到：

library(dplyr)
setA %>% 
  inner_join(setB, by = c("session_id", "request"))

这将导致数据帧的合并，其中会话id和请求在两个数据集中相同，从而丢弃日期时间

  session_id request          datetime.x          datetime.y
1       1105       3 2016-03-09 00:33:43 2016-03-09 00:33:45
2       1108      10 2016-03-09 00:54:04 2016-03-09 00:54:06
3       1109       6 2016-03-09 01:01:39 2016-03-09 01:01:40

更新：如果添加此项，将获得交点的长度：

setA %>% 
  inner_join(setB, by = c("session_id", "request")) %>% 
  group_by(session_id) %>%
  summarise(lengthintersection = n())

  session_id lengthintersection
   <int>              <int>
1       1105                  1
2       1108                  1
3       1109                  1

setA%>%
内部连接（setB，by=c（“会话id”，“请求”））%>%
分组人（会话id）%>%
摘要（lengthintersection=n（））
会话id长度间隔
1       1105                  1
2       1108                  1
3       1109                  1

更新：作为对评论的回应，另一次更新用于计算比例：

setA %>%
  group_by(session_id) %>% 
  mutate(numberrequests = n()) %>% 
  inner_join(setB, by = c("session_id", "request")) %>% 
  summarise(proportion = n()/numberrequests)

# A tibble: 3 x 2
      session_id proportion
        <int>      <dbl>
1       1105        0.5
2       1108        0.5
3       1109        0.5

setA%>%
分组人（会话id）%>%
变异（numberrequests=n（））%>%
内部连接（setB，by=c（“会话id”，“请求”））%>%
总结（比例=n（）/数量请求）
#一个tibble:3x2
会话id比例
1       1105        0.5
2       1108        0.5
3       1109        0.5

我建议使用awesome data.table包，因为对于许多任务，它比dplyr更快

我稍微修改了示例，这样就有一个长度大于1的交点

library(data.table)
A <- data.table("session_id" = c(1105, 1105, 1107 ,1107 ,1108, 1108, 1120),
                "request" = c(8,3,14,15,9,10, 20))
B <- data.table("session_id" = c(1105, 1107, 1107, 1108, 1109, 1110, 1111),
                "request" = c(3, 15, 14, 9, 6, 5, 9))

---

PS：以后，请添加一些代码来创建示例data.frames，这样人们就不必手动键入表格。

您可以指定输出吗？您要求使用

交叉点

，但您给出的示例的

日期时间

不同。是否要丢弃

datetime

？或者你要求合并？放弃datetime，我想根据请求确定交叉点的长度。好的，把这个长度间隔除以setA的长度对应的SessionID长度（即1105案例中的2）…我会标记为答案谢谢。上帝保佑你，LenI不确定你的意思。您想知道setA中的请求在SETB中也占多大比例，按sessionID分组吗？所以对于1105，它应该评估为0.5？是的，你得到了。

library(data.table)
A <- data.table("session_id" = c(1105, 1105, 1107 ,1107 ,1108, 1108, 1120),
                "request" = c(8,3,14,15,9,10, 20))
B <- data.table("session_id" = c(1105, 1107, 1107, 1108, 1109, 1110, 1111),
                "request" = c(3, 15, 14, 9, 6, 5, 9))

C <- merge(A,B, all.x = T, by = "session_id")

C[, len_inter := length(intersect(request.x, request.y)), by=session_id]
A[C, len_inter := i.len_inter, on="session_id"]

> A
   session_id request len_inter
1:       1105       8         1
2:       1105       3         1
3:       1107      14         2
4:       1107      15         2
5:       1108       9         1
6:       1108      10         1
7:       1120      20         0