Porównaj dwa data.frames, aby znaleźć wiersze w data.frame 1, których nie ma w data.frame 2

Mam następujące 2 data.frames:

a1 <- data.frame(a = 1:5, b=letters[1:5])
a2 <- data.frame(a = 1:3, b=letters[1:3])

Chcę znaleźć wiersz a1, w którym a2 nie.

Czy istnieje wbudowana funkcja dla tego typu operacji?

(ps: napisałem rozwiązanie na to, jestem po prostu ciekawy, czy ktoś już zrobił bardziej spreparowany kod)

Oto moje rozwiązanie:

a1 <- data.frame(a = 1:5, b=letters[1:5])
a2 <- data.frame(a = 1:3, b=letters[1:3])

rows.in.a1.that.are.not.in.a2  <- function(a1,a2)
{
    a1.vec <- apply(a1, 1, paste, collapse = "")
    a2.vec <- apply(a2, 1, paste, collapse = "")
    a1.without.a2.rows <- a1[!a1.vec %in% a2.vec,]
    return(a1.without.a2.rows)
}
rows.in.a1.that.are.not.in.a2(a1,a2)

To nie jest bezpośrednią odpowiedzią na twoje pytanie, ale daje ci elementy, które są wspólne. Można to zrobić za pomocą pakietu Paula Murrella compare:

library(compare)
a1 <- data.frame(a = 1:5, b = letters[1:5])
a2 <- data.frame(a = 1:3, b = letters[1:3])
comparison <- compare(a1,a2,allowAll=TRUE)
comparison$tM
#  a b
#1 1 a
#2 2 b
#3 3 c

Funkcja comparedaje dużą elastyczność w zakresie tego, jakiego rodzaju porównania są dozwolone (np. Zmiana kolejności elementów każdego wektora, zmiana kolejności i nazw zmiennych, skracanie zmiennych, zmiana wielkości liter w łańcuchach). Na tej podstawie powinieneś być w stanie dowiedzieć się, czego brakowało w jednym lub drugim. Na przykład (to nie jest zbyt eleganckie):

difference <-
   data.frame(lapply(1:ncol(a1),function(i)setdiff(a1[,i],comparison$tM[,i])))
colnames(difference) <- colnames(a1)
difference
#  a b
#1 4 d
#2 5 e

SQLDF zapewnia ładne rozwiązanie

a1 <- data.frame(a = 1:5, b=letters[1:5])
a2 <- data.frame(a = 1:3, b=letters[1:3])

require(sqldf)

a1NotIna2 <- sqldf('SELECT * FROM a1 EXCEPT SELECT * FROM a2')

Oraz wiersze, które znajdują się w obu ramkach danych:

a1Ina2 <- sqldf('SELECT * FROM a1 INTERSECT SELECT * FROM a2')

Nowa wersja dplyrma funkcję anti_join, dla dokładnie tego rodzaju porównań

require(dplyr) 
anti_join(a1,a2)

I semi_joinfiltrować wiersze a1, które również znajdują się wa2

semi_join(a1,a2)

W dplyr :

setdiff(a1,a2)

Zasadniczo setdiff(bigFrame, smallFrame)dostajesz dodatkowe rekordy w pierwszej tabeli.

W SQLverse nazywa się to

Aby uzyskać dobry opis wszystkich opcji dołączania i ustalonych tematów, jest to jedno z najlepszych podsumowań, jakie do tej pory widziałem: http://www.vertabelo.com/blog/technical-articles/sql-joins

Ale wracając do tego pytania - oto wyniki dla setdiff()kodu podczas korzystania z danych PO:

> a1
  a b
1 1 a
2 2 b
3 3 c
4 4 d
5 5 e

> a2
  a b
1 1 a
2 2 b
3 3 c

> setdiff(a1,a2)
  a b
1 4 d
2 5 e

Albo nawet anti_join(a1,a2)przyniesie Ci takie same wyniki.
Więcej informacji: https://www.rstudio.com/wp-content/uploads/2015/02/data-wrangling-cheatsheet.pdf

Z pewnością nie jest to skuteczne w tym konkretnym celu, ale często w takich sytuacjach wstawiam zmienne wskaźnikowe do każdej ramki data.frame, a następnie łączę:

a1$included_a1 <- TRUE
a2$included_a2 <- TRUE
res <- merge(a1, a2, all=TRUE)

brakujące wartości w include_a1 będą wskazywać, których wierszy brakuje w a1. podobnie dla a2.

Jednym z problemów z rozwiązaniem jest to, że kolejność kolumn musi być zgodna. Innym problemem jest to, że łatwo wyobrazić sobie sytuacje, w których wiersze są kodowane tak samo, podczas gdy w rzeczywistości są różne. Zaletą korzystania z funkcji scalania jest to, że otrzymujesz bezpłatnie wszystkie funkcje sprawdzania błędów, które są niezbędne do dobrego rozwiązania.

Napisałem pakiet ( https://github.com/alexsanjoseph/compareDF ), ponieważ miałem ten sam problem.

  > df1 <- data.frame(a = 1:5, b=letters[1:5], row = 1:5)
  > df2 <- data.frame(a = 1:3, b=letters[1:3], row = 1:3)
  > df_compare = compare_df(df1, df2, "row")

  > df_compare$comparison_df
    row chng_type a b
  1   4         + 4 d
  2   5         + 5 e

Bardziej skomplikowany przykład:

library(compareDF)
df1 = data.frame(id1 = c("Mazda RX4", "Mazda RX4 Wag", "Datsun 710",
                         "Hornet 4 Drive", "Duster 360", "Merc 240D"),
                 id2 = c("Maz", "Maz", "Dat", "Hor", "Dus", "Mer"),
                 hp = c(110, 110, 181, 110, 245, 62),
                 cyl = c(6, 6, 4, 6, 8, 4),
                 qsec = c(16.46, 17.02, 33.00, 19.44, 15.84, 20.00))

df2 = data.frame(id1 = c("Mazda RX4", "Mazda RX4 Wag", "Datsun 710",
                         "Hornet 4 Drive", " Hornet Sportabout", "Valiant"),
                 id2 = c("Maz", "Maz", "Dat", "Hor", "Dus", "Val"),
                 hp = c(110, 110, 93, 110, 175, 105),
                 cyl = c(6, 6, 4, 6, 8, 6),
                 qsec = c(16.46, 17.02, 18.61, 19.44, 17.02, 20.22))

> df_compare$comparison_df
    grp chng_type                id1 id2  hp cyl  qsec
  1   1         -  Hornet Sportabout Dus 175   8 17.02
  2   2         +         Datsun 710 Dat 181   4 33.00
  3   2         -         Datsun 710 Dat  93   4 18.61
  4   3         +         Duster 360 Dus 245   8 15.84
  5   7         +          Merc 240D Mer  62   4 20.00
  6   8         -            Valiant Val 105   6 20.22

Pakiet zawiera również polecenie html_output do szybkiego sprawdzenia

df_compare $ html_output

Możesz użyć daffpakietu (który otacza daff.jsbibliotekę za pomocą V8pakietu ):

library(daff)

diff_data(data_ref = a2,
          data = a1)

generuje następujący obiekt różnicy:

Daff Comparison: ‘a2’ vs. ‘a1’ 
  First 6 and last 6 patch lines:
   @@   a   b
1 ... ... ...
2       3   c
3 +++   4   d
4 +++   5   e
5 ... ... ...
6 ... ... ...
7       3   c
8 +++   4   d
9 +++   5   e

Format diff jest opisany w formacie różnic wyróżniających Coopy'ego dla tabel i powinien być dość oczywisty. Wiersze z +++w pierwszej kolumnie @@to te, które są nowe a1i nieobecne w a2.

Obiekt różnicy może służyć do patch_data()przechowywania różnic w celach dokumentacyjnych przy użyciu write_diff()lub do wizualizacji różnicy za pomocąrender_diff() :

render_diff(
    diff_data(data_ref = a2,
              data = a1)
)

generuje schludny wynik HTML:

Korzystanie z diffobjpakietu:

library(diffobj)

diffPrint(a1, a2)
diffObj(a1, a2)

Dostosowałem merge funkcję, aby uzyskać tę funkcjonalność. W przypadku większych ramek danych zużywa mniej pamięci niż rozwiązanie pełnego scalania. Mogę bawić się nazwami kluczowych kolumn.

Innym rozwiązaniem jest skorzystanie z biblioteki prob.

#  Derived from src/library/base/R/merge.R
#  Part of the R package, http://www.R-project.org
#
#  This program is free software; you can redistribute it and/or modify
#  it under the terms of the GNU General Public License as published by
#  the Free Software Foundation; either version 2 of the License, or
#  (at your option) any later version.
#
#  This program is distributed in the hope that it will be useful,
#  but WITHOUT ANY WARRANTY; without even the implied warranty of
#  MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.  See the
#  GNU General Public License for more details.
#
#  A copy of the GNU General Public License is available at
#  http://www.r-project.org/Licenses/

XinY <-
    function(x, y, by = intersect(names(x), names(y)), by.x = by, by.y = by,
             notin = FALSE, incomparables = NULL,
             ...)
{
    fix.by <- function(by, df)
    {
        ## fix up 'by' to be a valid set of cols by number: 0 is row.names
        if(is.null(by)) by <- numeric(0L)
        by <- as.vector(by)
        nc <- ncol(df)
        if(is.character(by))
            by <- match(by, c("row.names", names(df))) - 1L
        else if(is.numeric(by)) {
            if(any(by < 0L) || any(by > nc))
                stop("'by' must match numbers of columns")
        } else if(is.logical(by)) {
            if(length(by) != nc) stop("'by' must match number of columns")
            by <- seq_along(by)[by]
        } else stop("'by' must specify column(s) as numbers, names or logical")
        if(any(is.na(by))) stop("'by' must specify valid column(s)")
        unique(by)
    }

    nx <- nrow(x <- as.data.frame(x)); ny <- nrow(y <- as.data.frame(y))
    by.x <- fix.by(by.x, x)
    by.y <- fix.by(by.y, y)
    if((l.b <- length(by.x)) != length(by.y))
        stop("'by.x' and 'by.y' specify different numbers of columns")
    if(l.b == 0L) {
        ## was: stop("no columns to match on")
        ## returns x
        x
    }
    else {
        if(any(by.x == 0L)) {
            x <- cbind(Row.names = I(row.names(x)), x)
            by.x <- by.x + 1L
        }
        if(any(by.y == 0L)) {
            y <- cbind(Row.names = I(row.names(y)), y)
            by.y <- by.y + 1L
        }
        ## create keys from 'by' columns:
        if(l.b == 1L) {                  # (be faster)
            bx <- x[, by.x]; if(is.factor(bx)) bx <- as.character(bx)
            by <- y[, by.y]; if(is.factor(by)) by <- as.character(by)
        } else {
            ## Do these together for consistency in as.character.
            ## Use same set of names.
            bx <- x[, by.x, drop=FALSE]; by <- y[, by.y, drop=FALSE]
            names(bx) <- names(by) <- paste("V", seq_len(ncol(bx)), sep="")
            bz <- do.call("paste", c(rbind(bx, by), sep = "\r"))
            bx <- bz[seq_len(nx)]
            by <- bz[nx + seq_len(ny)]
        }
        comm <- match(bx, by, 0L)
        if (notin) {
            res <- x[comm == 0,]
        } else {
            res <- x[comm > 0,]
        }
    }
    ## avoid a copy
    ## row.names(res) <- NULL
    attr(res, "row.names") <- .set_row_names(nrow(res))
    res
}


XnotinY <-
    function(x, y, by = intersect(names(x), names(y)), by.x = by, by.y = by,
             notin = TRUE, incomparables = NULL,
             ...)
{
    XinY(x,y,by,by.x,by.y,notin,incomparables)
}

Twoje przykładowe dane nie mają żadnych duplikatów, ale Twoje rozwiązanie obsługuje je automatycznie. Oznacza to, że potencjalnie niektóre odpowiedzi nie będą pasować do wyników Twojej funkcji w przypadku duplikatów.
Oto moje rozwiązanie, w którym adres jest taki sam jak twój. Świetnie się skaluje!

a1 <- data.frame(a = 1:5, b=letters[1:5])
a2 <- data.frame(a = 1:3, b=letters[1:3])
rows.in.a1.that.are.not.in.a2  <- function(a1,a2)
{
    a1.vec <- apply(a1, 1, paste, collapse = "")
    a2.vec <- apply(a2, 1, paste, collapse = "")
    a1.without.a2.rows <- a1[!a1.vec %in% a2.vec,]
    return(a1.without.a2.rows)
}

library(data.table)
setDT(a1)
setDT(a2)

# no duplicates - as in example code
r <- fsetdiff(a1, a2)
all.equal(r, rows.in.a1.that.are.not.in.a2(a1,a2))
#[1] TRUE

# handling duplicates - make some duplicates
a1 <- rbind(a1, a1, a1)
a2 <- rbind(a2, a2, a2)
r <- fsetdiff(a1, a2, all = TRUE)
all.equal(r, rows.in.a1.that.are.not.in.a2(a1,a2))
#[1] TRUE

Potrzebuje data.table 1.9.8+

Może jest to zbyt uproszczone, ale zastosowałem to rozwiązanie i uważam je za bardzo przydatne, gdy mam klucz podstawowy, którego mogę użyć do porównania zestawów danych. Mam nadzieję, że to pomoże.

a1 <- data.frame(a = 1:5, b = letters[1:5])
a2 <- data.frame(a = 1:3, b = letters[1:3])
different.names <- (!a1$a %in% a2$a)
not.in.a2 <- a1[different.names,]

Kolejne rozwiązanie oparte na match_df w plyr. Oto plik Plyr's match_df:

match_df <- function (x, y, on = NULL) 
{
    if (is.null(on)) {
        on <- intersect(names(x), names(y))
        message("Matching on: ", paste(on, collapse = ", "))
    }
    keys <- join.keys(x, y, on)
    x[keys$x %in% keys$y, , drop = FALSE]
}

Możemy go zmodyfikować, aby zanegować:

library(plyr)
negate_match_df <- function (x, y, on = NULL) 
{
    if (is.null(on)) {
        on <- intersect(names(x), names(y))
        message("Matching on: ", paste(on, collapse = ", "))
    }
    keys <- join.keys(x, y, on)
    x[!(keys$x %in% keys$y), , drop = FALSE]
}

Następnie:

diff <- negate_match_df(a1,a2)

Używając subset:

missing<-subset(a1, !(a %in% a2$a))

Poniższy kod używa obu data.tablei fastmatchdla zwiększenia szybkości.

library("data.table")
library("fastmatch")

a1 <- setDT(data.frame(a = 1:5, b=letters[1:5]))
a2 <- setDT(data.frame(a = 1:3, b=letters[1:3]))

compare_rows <- a1$a %fin% a2$a
# the %fin% function comes from the `fastmatch` package

added_rows <- a1[which(compare_rows == FALSE)]

added_rows

#    a b
# 1: 4 d
# 2: 5 e