2

En R existe la opción de combinar dos data.frame con Merge() pero si se indica en los atributos by las columnas por las que se desea que se combinen solamente lo hará si los datos son iguales.

¿Habría alguna forma de que se combinen con un error permitido?

Ejemplo:

Data.frame A

Usuarios Distancia ..........
1          20.005
2          21.000
3          23.000
4          19.009

Data.frame B

Usuarios Distancia ..........
5          20.006
6          21.000
7          23.000
8          19.008

Con estos datos me gustaría que se uniesen solamente si las distancias son las mismas o si tienen un error permitido <= a 0.001, por lo que el Usuario 1 y 5 tendrían que combinarse al igual que el 4 y 8 y no solamente el 2 y 6 y el 3 y 7.

1
  • Por favor utiliza el comando dput (ej dput(head(iris))) para que gente sea más fácil tomar tus datos y así ayudarte de forma más rápida!
    – jbkunst
    Commented el 21 abr. 2017 a las 15:32

2 respuestas 2

2

El merge no te permite hacer esto, lo que sí se puede, es "alinear" los valores de un dataframe con el del otro y cuando no supere la "tolerancia" lo que hacemos es igualarlos para que entonces el merge funcione como queremos. Algo así:

usuarios <- c(1,2,3,4)
distancias <- c(20.005,21.000,23.000,19.009)
df1 <- data.frame(usuarios,distancias)

usuarios <- c(5,6,7,8)
distancias <- c(20.006,21.000,23.000,19.008)
df2 <- data.frame(usuarios,distancias)

df1$distancias <- sapply(df1$distancias, function(x)
{
    # El elemento de df1 coincide con tolerancia con el de df2 ?
    ifelse(min(abs(df2$distancias - x), na.rm=TRUE) < 0.001 * x,
           # Si, entonces reemplazo el elemento de df1 por el de df2 para que el merge funcione
           df2[which.min(abs(df2$distancias - x)),"distancias"], 0)
})
df3 <- merge(df1, df2, by = "distancias")

El resultado sería algo así:

  distancias usuarios.x usuarios.y
1     19.008          4          8
2     20.006          1          5
3     21.000          2          6
4     23.000          3          7
1
  • Ok, muchas gracias :D
    – adamista
    Commented el 21 abr. 2017 a las 15:10
1

El paquete fuzzyjoin sirve para hacer _join_s cuando no se deasea el match exacto, no es necesario reinventar la rueda.

En particular te servir la función difference_join la cual tiene argumento de poner la distancia máxima, mira los ejemplos:


library(fuzzyjoin)

df1 <- data.frame(usuarios = c(1, 2, 3, 4), distancias = c(20.005, 21, 23, 19.009))

df2 <- data.frame(usuarios = c(5, 6, 7, 8), distancias = c(20.006, 21, 23, 19.008))


difference_join(df1, df2, by = "distancias", max_dist = 0.001)
#>   usuarios.x distancias.x usuarios.y distancias.y
#> 1          2           21          6           21
#> 2          3           23          7           23



difference_join(df1, df2, by = "distancias", max_dist = 0.1)
#>   usuarios.x distancias.x usuarios.y distancias.y
#> 1          1       20.005          5       20.006
#> 2          2       21.000          6       21.000
#> 3          3       23.000          7       23.000
#> 4          4       19.009          8       19.008



difference_join(df1, df2, by = "distancias", max_dist = Inf)
#>    usuarios.x distancias.x usuarios.y distancias.y
#> 1           1       20.005          5       20.006
#> 2           1       20.005          6       21.000
#> 3           1       20.005          7       23.000
#> 4           1       20.005          8       19.008
#> 5           2       21.000          5       20.006
#> 6           2       21.000          6       21.000
#> 7           2       21.000          7       23.000
#> 8           2       21.000          8       19.008
#> 9           3       23.000          5       20.006
#> 10          3       23.000          6       21.000
#> 11          3       23.000          7       23.000
#> 12          3       23.000          8       19.008
#> 13          4       19.009          5       20.006
#> 14          4       19.009          6       21.000
#> 15          4       19.009          7       23.000
#> 16          4       19.009          8       19.008
5
  • ¿Con esta función como se podría indicar que en vez de por una columna "distancias" fuese por dos? He probado con c("distancias", "cantidades") pero me duplica las filas.
    – adamista
    Commented el 21 abr. 2017 a las 15:57
  • Si entiendo bien tu duda, creo que en ese caso necesitas la función distance_join. En caso de no haberla entendido sugiero que actualices la pregunta inicial ;)
    – jbkunst
    Commented el 21 abr. 2017 a las 16:00
  • Lo que pretendo es que el join se realice cuando coincidan los datos de dos columnas y no solamente con la de distancia.
    – adamista
    Commented el 21 abr. 2017 a las 16:10
  • Bueno, yo creo que tendrías que hacer el procedimiento por etapas, primero el join cuando coincida las columnas que tengan que coincidir y luego calcular la diferencia de las distancias de los registros que hicieron match previamente para así filtrar con la distrancia requerida, no?
    – jbkunst
    Commented el 21 abr. 2017 a las 16:16
  • 1
    Ok, así funciona. Gracias:D
    – adamista
    Commented el 21 abr. 2017 a las 16:45

Tu Respuesta

By clicking “Publica tu respuesta”, you agree to our terms of service and acknowledge you have read our privacy policy.

¿No es la respuesta que buscas? Examina otras preguntas con la etiqueta o formula tu propia pregunta.