2

Estoy uniendo dos data.frames enormes por una variable en común usando merge, y el data.frame final tiene muchísimas más líneas que los iniciales, lo cual me sugiere que está duplicando observaciones. Estoy usando:

df3 <- merge(df1, df2, by="ID", all=FALSE)

Se supone que con ese all=False estaría evitando duplicados, ¿no?.

Pondré un ejemplo

df1

ID           Ubicación     AñoParto      Hijos
26            0012           2000          2
26            0012           2002          3
26            0012           2005          2
42            0013           2001          1
42            0013           2002          1
42            0013           2007          2

Y otro df así

ID           Ubicación     AñoParto      Observaciones     Peso
26            0012           2000          1                300
26            0012           2000          2                450
26            0012           2000          3                650
26            0012           2002          1                250
26            0012           2002          2                450
26            0012           2005          1                550
26            0012           2005          2                650
26            0012           2005          3                900
42            0013           2001          1                300
42            0013           2001          2                450
42            0013           2002          1                520
42            0013           2007          1                250
42            0013           2007          2                550

Al final lo que quiero es

ID           Ubicación     AñoParto      Observaciones     Peso   Hijos
26            0012           2000          1                300    2
26            0012           2000          2                450    2
26            0012           2000          3                650    2
26            0012           2002          1                250    3
26            0012           2002          2                450    3
26            0012           2005          1                550    2
26            0012           2005          2                650    2
26            0012           2005          3                900    2
42            0013           2001          1                300    1
42            0013           2001          2                450    1
42            0013           2002          1                520    1
42            0013           2007          1                250    2
42            0013           2007          2                550    2

Lo que me interesa es quedarme con un df final que solamente contenga los elementos que se unieron por la variable común "nombre", pero que me mantenga todas las columnas de df2. He intentado también

df4 <- semi_join(df1, df2) 

Pero veo que solamente conserva las variables del df1, aunque diría que si deja solamente que tenían en común la variable "nombre".

¿Qué debo hacer?

1 respuesta 1

2

El problema que tienes, entiendo, es que no has definido correctamente los argumentos del JOIN. Al hacer esto:

df3 <- merge(df1, df2, by="ID", all=FALSE)

Básicamente estás combinando todas las filas que comparten el mismo ID, lo cual significa que cada ID de df1 se combinará con cada uno de los ID de df2, de ahí que obtengas más registros de los que esperas, por ejemplo en df1 tienes 3 filas con ID == 26 y 8 filas con el mismo ID en df2, el resultado final serán 3 * 8 = 24 filas para el ID == 26.

Viendo tus datos, lo que me parece es que te falta agregar al argumento del join las variables de Ubicación y AñoParto de la siguiente forma:

> merge(df1, df2, by=c("ID", "Ubicación", "AñoParto"))

   ID Ubicación AñoParto Hijos Observaciones Peso
1  26      0012     2000     2             1  300
2  26      0012     2000     2             2  450
3  26      0012     2000     2             3  650
4  26      0012     2002     3             1  250
5  26      0012     2002     3             2  450
6  26      0012     2005     2             1  550
7  26      0012     2005     2             2  650
8  26      0012     2005     2             3  900
9  42      0013     2001     1             1  300
10 42      0013     2001     1             2  450
11 42      0013     2002     1             1  520
12 42      0013     2007     2             1  250
13 42      0013     2007     2             2  550

Un detalle interesante de merge es que si detecta nombres de columna iguales en ambos data.frames los usa como argumento del join de forma automática, de forma que en tu caso hacer sencilla esto: merge(df1, df2) debiera funcionar igual.

Tu Respuesta

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

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