更改数据帧以检查两个数据帧之间的数据是否重复

如何解决更改数据帧以检查两个数据帧之间的数据是否重复

我有两个数据框，这只是一个示例，数据库有大约一百万条记录。 可以包含姓名，电子邮件，字母数字代码等。

data1<-data.frame(
  'ID 1' = c(86364,"ARV_2612","AGH_2212","IND_2622","CHG_2622"),sector = c(3,3,1,2,5),name=c("nhug","hugy","mjuk","ghtr","kuld"),'Enternal code'=c(1,3),col3=c(1,0),col4=c(1,col5=c(1,1)
)

data2<-data.frame(
  'ID 1' = c(53265,"ARV_7362",76354,"CHG_9762"),1)
)
data2 %>% mutate(
  duplicated = factor(if_else(`ID 1` %in% 
                                pull(data1,`ID 1`),0)))

现在我正在寻找一种函数来像这样改变我的一个数据帧（data2）。如果我给出data1和data2的列名，以查找其他数据中是否已存在值或字符串，并将新列更改为1,0，则为true和false。 功能就像

func（data1 =“ name”，data2 =“ name”，mutated_com =“ name_exist”）

解决方法

在基数R中，您可以将该函数编写为：

func <- function(data1,data2,data1col,data2col,newcol) {
  data2[[newcol]] <- factor(as.integer(data2[[data2col]] %in% data1[[data1col]]))
  data2
}

并可以将其称为：

func(data1,'name','duplicate')

这将在duplicate中创建一个名为data2的列，给出1，其中df2中的名称也出现在name的{​​{1}}中，否则为0。

---

使用df1语法可以将以上内容写为：

dplyr

,

您可以使用inner_join（来自dplyr）确定两个数据框之间的重叠。要使用所有列（如果两个数据框具有相同的列名），则不必指定'by'参数。

然后您可以添加一列“重复的”并连接回原始数据框（df1或df2）以获得所需的结果。

overlap <- data1 %>% 
  inner_join(data2) %>% 
  mutate(duplicated = 1)

data1 %>% #or data2
  left_join(overlap) %>% 
  mutate(duplicated = ifelse(is.na(duplicated),1))