Zřetězení data.tables

Joining Data with data.table in R

Scott Ritchie

Postdoctoral Researcher in Systems Genomics

Stejné sloupce, různé data.tables

Zřetězení data.tables

Funkce pro zřetězení

rbind(): zřetězení řádků z data.tables uložených v různých proměnných

rbindlist(): zřetězení řádků ze listu data.tables

Funkce rbind()

Zřetězení dvou nebo více data.tables uložených jako proměnné

# ... přijímá libovolný počet argumentů
rbind(...) 
rbind(sales_2015, sales_2016)

   quarter  amount
1:       1 3200100
2:       2 2950000
3:       3 2980700
4:       4 3420000
5:       1 3350000
6:       2 3000300
7:       3 3120200
8:       4 3670000

Přidání identifikačního sloupce

Argument idcol přidá sloupec označující zdrojovou data.table

rbind("2015" = sales_2015, "2016" = sales_2016, idcol = "year")

   year quarter  amount
1: 2015       1 3200100
2: 2015       2 2950000
3: 2015       3 2980700
4: 2015       4 3420000
5: 2016       1 3350000
6: 2016       2 3000300
7: 2016       3 3120200
8: 2016       4 3670000

Přidání identifikačního sloupce

rbind(sales_2015, sales_2016, idcol = "year")

   year quarter  amount
1:    1       1 3200100
2:    1       2 2950000
3:    1       3 2980700
4:    1       4 3420000
5:    2       1 3350000
6:    2       2 3000300
7:    2       3 3120200
8:    2       4 3670000

Přidání identifikačního sloupce

rbind(sales_2015, sales_2016, idcol = TRUE)

   .id quarter  amount
1:   1       1 3200100
2:   1       2 2950000
3:   1       3 2980700
4:   1       4 3420000
5:   2       1 3350000
6:   2       2 3000300
7:   2       3 3120200
8:   2       4 3670000

Zpracování chybějících sloupců

rbind("2015" = sales_2015, "2016" = sales_2016, idcol = "year", 
      fill = TRUE)

Zpracování chybějících sloupců

rbind(sales_2015, sales_2016, idcol = "year")

Error in rbindlist(l, use.names, fill, idcol) : 
  Item 2 has 3 columns, inconsistent with item 1 which has 2 columns. 
  If instead you need to fill missing columns, use set argument 'fill' 
  to TRUE.

Funkce rbindlist()

Zřetězení řádků ze listu data.tables

# Načtení seznamu data.tables
table_files <- c("sales_2015.csv", "sales_2016.csv")
list_of_tables <- lapply(table_files, fread)
rbindlist(list_of_tables)

   quarter  amount
1:       1 3200100
2:       2 2950000
3:       3 2980700
4:       4 3420000
5:       1 3350000
6:       2 3000300
7:       3 3120200
8:       4 3670000

Přidání identifikačního sloupce

Argument idcol přebírá názvy ze vstupního seznamu

names(list_of_tables) <- c("2015", "2016")
rbindlist(list_of_tables, idcol = "year")

   year quarter  amount
1: 2015       1 3200100
2: 2015       2 2950000
3: 2015       3 2980700
4: 2015       4 3420000
5: 2016       1 3350000
6: 2016       2 3000300
7: 2016       3 3120200
8: 2016       4 3670000

Zpracování různého pořadí sloupců

rbind("2015" = sales_2015, "2016" = sales_2016, idcol = "year", 
      use.names = TRUE)

`data.tables` s různými názvy sloupců

rbind("2015" = sales_2015, "2016" = sales_2016, idcol = "year", 
      use.names = FALSE)

Úskalí `use.names = FALSE`

rbind("2015" = sales_2015, "2016" = sales_2016, idcol = "year", 
      use.names = FALSE)

Rozdílné výchozí hodnoty

Výchozí hodnota pro rbind() je use.names = TRUE
Výchozí hodnota pro rbindlist() je use.names = FALSE, pokud není fill = TRUE.

Pojďme si procvičit!

Joining Data with data.table in R