Quisiera pedir su ayuda para saber como utilizar una función similar a BuscarV o Vlookup, pero en R. Tengo una matriz de valores únicos de nx1 (donde la columna es mi cliente) y quiero ponerle una segunda columna (en esa misma matriz), con su alias. El cruce es con base en una matriz de n+3000 x 10. Ya lo he intentado con "merge" y "join", pero en lugar de dejarme mi matriz de nx1 (rellenando los valores únicos con su alias), me da una matriz de n +3000 x 10. Ojalá alguien pudiera orientarme, muchas gracias!!
1 respuesta
Respuesta corta:
dplyr::left_join(df1, distinct(df2), by = "cliente")
Respuesta larga:
Para evitar que haga múltiples match puedes usar la función dplyr::distinct()
. De ese modo el data.frame de la derecha tendrá solamente una ocurrencia de cada combinación de valores en filas. Así un simple left_join()
resuelve el problema.
Quizás el código sea más claro que mi explicación. Empiezo por simular unos datos similares a los que presentas en la imagen.
library(tidyverse)
df2 <- tibble(
cliente = sample(c("Cliente del Oeste", "Cliente del Este"),
size = 10,
replace = TRUE),
alias = str_extract(cliente,"(\\w+)$"))
df1 <- tibble(
cliente = sample(c("Cliente del Oeste", "Cliente del Este"),
size = 5,
replace = TRUE))
Así se ve df1
# A tibble: 10 x 2
cliente alias
<chr> <chr>
1 Cliente del Oeste Oeste
2 Cliente del Este Este
3 Cliente del Oeste Oeste
4 Cliente del Oeste Oeste
5 Cliente del Oeste Oeste
6 Cliente del Oeste Oeste
7 Cliente del Oeste Oeste
8 Cliente del Oeste Oeste
9 Cliente del Oeste Oeste
10 Cliente del Este Este
Y así se ve df1
, que no tiene la columna alias
. Si estuviera no sería tan complicado el problema, solo que el alias
aparecería como alias.y
.
# A tibble: 5 x 1
cliente
<chr>
1 Cliente del Este
2 Cliente del Este
3 Cliente del Este
4 Cliente del Oeste
5 Cliente del Este
Si usas left_join(df1, df2, by = "cliente")
va a haber un match cada vez que haya una coincidencia en la columna cliente en el df de la izquiera y el de la derecha. Como Cliente del Este
está muchas veces en el df de la derecha va a haber múltiples match, lo mismo con Cliente del Oeste
. Para evitarlo puedes usar distinct(df2)
.
distinct(df2)
# A tibble: 2 x 2
cliente alias
<chr> <chr>
1 Cliente del Oeste Oeste
2 Cliente del Este Este
Ahora tienes solo una ocurrencia de cada combinación única en las filas.
Entonces
left_join(df1, distinct(df2), by = "cliente")
# A tibble: 5 x 2
cliente alias
<chr> <chr>
1 Cliente del Este Este
2 Cliente del Este Este
3 Cliente del Este Este
4 Cliente del Oeste Oeste
5 Cliente del Este Este
Creo que resuelve tu problema.
PD: hay otra solución muy simple y complicada a la vez.
Revisando en SO
en inglés si había una solución más eficiente me encontré con esta joya del usuario akrun, que adapto a este problema:
df1 %>%
mutate(alias = deframe(df2)[cliente])
Lo que hace es usar deframe
para convertir a df2
en un vector nombrado. Lo que era la primera columna serán los nombres, lo que era la segunda columna será el vector propiamente dicho. Al usar [cliente]
dentro de la llamada de mutate
encuentra ese nombre como columna del data.frame df1
y al estar usando []
lo que hace igualar los nombres del output de deframe
con los valores de la columna cliente. Para ver lo que pasa fuera del mutate
hay que llamar explícitamente a df1$cliente
.
deframe(df2)[df1$cliente]
Es una maravilla la mezcla de tidyverse con R base.
-
De nuevo, muchas gracias @mpaladino! Intenté la última opción que me pusiste, y jaló de maravilla. Solo por el tema de que son más de 2 columnas, me arroja un warning, dado que x, o en este caso df2, debería ser de 1 o 2 columnas. Commented el 3 mar. 2021 a las 22:28
-
deframe()
espera dos columnas, una para los nombres y otra para los elementos del vector que crea. Si hay más de dos emite un warning avisando que descarta las siguientes columnas. Lo ideal sería seleccionar antes para evitar sorpresas y pasarle adeframe()
solo esas dos columnas en el orden correcto. De todos modos si las dos primeras columnas dedf1
son las correctas el resultado va a ser el mismo. Commented el 4 mar. 2021 a las 3:45 -
Con respecto a los joins, son muy potentes porque admiten muchas modalidades. Por eso mismo son complicados. A mí me resulta de ayuda agregar un identificador único de fila (generalmete
1:n()
) para identificar más fácil las repeticiones/omisiones. Me facilita bastante entender que está pasando ahí adentro, validar el resultado y corregir problemas. Commented el 4 mar. 2021 a las 3:47
R
condput(head(df1))
obtienes el código que hace que el data.frame sea reproducible en cualquier computadora. Puse una respuesta más abajo, sin embargo al tener que simular los datos no me es posible saber si resolverá tu problema.