Rでクロス結合を実現するにはどうすればよいですか? 「マージ」が内部結合、外部結合を行えることを知っています。しかし、Rでクロス結合を実現する方法はわかりません。
ありがとう
ただall=TRUE
?
x<-data.frame(id1=c("a","b","c"),vals1=1:3)
y<-data.frame(id2=c("d","e","f"),vals2=4:6)
merge(x,y,all=TRUE)
merge
のドキュメントから:
By.xとby.yのいずれかまたは両方が長さ0(長さゼロのベクトルまたはNULL)である場合、結果rはxとyのデカルト積です。つまり、dim(r)= c(nrow(x )* nrow(y)、ncol(x)+ ncol(y))。
速度が問題になる場合は、優れた_data.table
_パッケージを確認することをお勧めします。最後の例では、merge
より約90倍高速です。
サンプルデータを提供しませんでした。 2つの(またはそれ以上の)列のすべての組み合わせを取得したい場合は、CJ
(クロス結合)を使用できます。
_library(data.table)
CJ(x=1:2,y=letters[1:3])
# x y
#1: 1 a
#2: 1 b
#3: 1 c
#4: 2 a
#5: 2 b
#6: 2 c
_
2つのテーブルでクロスジョインを実行する場合、CJ()を使用する方法は見つかりませんでした。ただし、_data.table
_は引き続き使用できます。
_x2<-data.table(id1=letters[1:3],vals1=1:3)
y2<-data.table(id2=letters[4:7],vals2=4:7)
res<-setkey(x2[,c(k=1,.SD)],k)[y2[,c(k=1,.SD)],allow.cartesian=TRUE][,k:=NULL]
res
# id1 vals1 id2 vals2
# 1: a 1 d 4
# 2: b 2 d 4
# 3: c 3 d 4
# 4: a 1 e 5
# 5: b 2 e 5
# 6: c 3 e 5
# 7: a 1 f 6
# 8: b 2 f 6
# 9: c 3 f 6
#10: a 1 g 7
#11: b 2 g 7
#12: c 3 g 7
_
res
行の説明:
setkey(tablename,keycolumns)
)として設定し、ダミーの列を他のテーブルに追加してから結合します。c(k=1,.SD)
部分は、最初に列を追加する方法の1つです(デフォルトでは、列を最後に追加します)。X[Y]
_です。この場合のXはsetkey(x2[,c(k=1,.SD)],k)
で、Yはy2[,c(k=1,.SD)]
です。allow.cartesian=TRUE
_は、重複キー値を無視し、デカルト結合を実行するように_data.table
_に指示します(以前のバージョンではこれは必要ありませんでした)[,k:=NULL]
_は、結果からダミーキーを削除するだけです。これを関数に変えることもできますので、次のように使用するときれいになります:
_# Version 1; easier to write:
CJ.table.1 <- function(X,Y)
setkey(X[,c(k=1,.SD)],k)[Y[,c(k=1,.SD)],allow.cartesian=TRUE][,k:=NULL]
CJ.table.1(x2,y2)
# id1 vals1 id2 vals2
# 1: a 1 d 4
# 2: b 2 d 4
# 3: c 3 d 4
# 4: a 1 e 5
# 5: b 2 e 5
# 6: c 3 e 5
# 7: a 1 f 6
# 8: b 2 f 6
# 9: c 3 f 6
#10: a 1 g 7
#11: b 2 g 7
#12: c 3 g 7
# Version 2; faster but messier:
CJ.table.2 <- function(X,Y) {
eval(parse(text=paste0("setkey(X[,c(k=1,.SD)],k)[Y[,c(k=1,.SD)],list(",paste0(unique(c(names(X),names(Y))),collapse=","),")][,k:=NULL]")))
}
_
速度のベンチマークは次のとおりです。
_# Create a bigger (but still very small) example:
n<-1e3
x3<-data.table(id1=1L:n,vals1=sample(letters,n,replace=T))
y3<-data.table(id2=1L:n,vals2=sample(LETTERS,n,replace=T))
library(microbenchmark)
microbenchmark(merge=merge.data.frame(x3,y3,all=TRUE),
CJ.table.1=CJ.table.1(x3,y3),
CJ.table.2=CJ.table.2(x3,y3),
times=3, unit="s")
#Unit: seconds
# expr min lq median uq max neval
# merge 4.03710225 4.23233688 4.42757152 5.57854711 6.72952271 3
# CJ.table.1 0.06227603 0.06264222 0.06300842 0.06701880 0.07102917 3
# CJ.table.2 0.04740142 0.04812997 0.04885853 0.05433146 0.05980440 3
_
これらの_data.table
_メソッドは、@ danas.zuokasが提案するmerge
メソッドよりもはるかに高速であることに注意してください。この例の1,000行の2つのテーブルは、100万行のクロス結合テーブルになります。したがって、元のテーブルが小さい場合でも、結果はすぐに大きくなり、速度が重要になります。
最後に、_data.table
_の最近のバージョンでは、_allow.cartesian=TRUE
_を追加するか(CJ.table.1のように)、返される列の名前を指定する必要があります(CJ.table.2)。 2番目のメソッド(CJ.table.2)は高速のようですが、すべての列名を自動的に指定する場合は、より複雑なコードが必要です。また、重複する列名では機能しない場合があります。 (CJ.table.2のより単純なバージョンを提案してください)
Data.tableを介して実行する場合、これは1つの方法です。
cjdt <- function(a,b){
cj = CJ(1:nrow(a),1:nrow(b))
cbind(a[cj[[1]],],b[cj[[2]],])
}
A = data.table(ida = 1:10)
B = data.table(idb = 1:10)
cjdt(A,B)
上記を言ったが、あなたが多くの小さな結合をしていて、data.table
オブジェクトとそれを生成するオーバーヘッド。大幅な速度の向上は、c++
Rcpp
などを使用したコードブロック:
// [[Rcpp::export]]
NumericMatrix crossJoin(NumericVector a, NumericVector b){
int szA = a.size(),
szB = b.size();
int i,j,r;
NumericMatrix ret(szA*szB,2);
for(i = 0, r = 0; i < szA; i++){
for(j = 0; j < szB; j++, r++){
ret(r,0) = a(i);
ret(r,1) = b(j);
}
}
return ret;
}
C++
n = 1
a = runif(10000)
b = runif(10000)
system.time({for(i in 1:n){
crossJoin(a,b)
}})
ユーザーシステム経過1.033 0.424 1.462
データ表
system.time({for(i in 1:n){
CJ(a,b)
}})
ユーザーシステム経過0.602 0.569 2.452
C++
n = 1e5
a = runif(10)
b = runif(10)
system.time({for(i in 1:n){
crossJoin(a,b)
}})
ユーザーシステム経過0.660 0.077 .739
データ表
system.time({for(i in 1:n){
CJ(a,b)
}})
ユーザーシステム経過26.164 0.056 26.271
これは数年前に尋ねられましたが、tidyr::crossing()
を使用して相互結合を行うことができます。間違いなく最も単純なソリューションです。
library(tidyr)
league <- c("MLB", "NHL", "NFL", "NBA")
season <- c("2018", "2017")
tidyr::crossing(league, season)
#> # A tibble: 8 x 2
#> league season
#> <chr> <chr>
#> 1 MLB 2017
#> 2 MLB 2018
#> 3 NBA 2017
#> 4 NBA 2018
#> 5 NFL 2017
#> 6 NFL 2018
#> 7 NHL 2017
#> 8 NHL 2018
2018年12月8日に reprexパッケージ (v0.2.0)によって作成されました。
Usig sqldf
:
x <- data.frame(id1 = c("a", "b", "c"), vals1 = 1:3)
y <- data.frame(id2 = c("d", "e", "f"), vals2 = 4:6)
library(sqldf)
sqldf("SELECT * FROM x
CROSS JOIN y")
出力:
id1 vals1 id2 vals2
1 a 1 d 4
2 a 1 e 5
3 a 1 f 6
4 b 2 d 4
5 b 2 e 5
6 b 2 f 6
7 c 3 d 4
8 c 3 e 5
9 c 3 f 6
記録のためだけに、基本パッケージでは、by= NULL
の代わりに all=TRUE
:
merge(x, y, by= NULL)
マージ機能とそのオプションのパラメーターを使用して:
内部結合:Rは共通の変数名でフレームを自動的に結合するため、merge(df1、df2)はこれらの例で動作しますが、merge(df1、df2、by = "CustomerId")を指定して、必要なフィールドのみで一致していました。一致する変数の名前がデータフレームごとに異なる場合は、by.xパラメーターとby.yパラメーターを使用することもできます。
Outer join: merge(x = df1, y = df2, by = "CustomerId", all = TRUE)
Left outer: merge(x = df1, y = df2, by = "CustomerId", all.x = TRUE)
Right outer: merge(x = df1, y = df2, by = "CustomerId", all.y = TRUE)
Cross join: merge(x = df1, y = df2, by = NULL)
data.frame
を使用してそれを行う組み込みの方法はわかりませんが、作成するのは難しくありません。
@ danasは簡単な組み込み方法があることを示しましたが、他の目的に役立つ場合に備えてここに答えを残します。
cross.join <- function(a, b) {
idx <- expand.grid(seq(length=nrow(a)), seq(length=nrow(b)))
cbind(a[idx[,1],], b[idx[,2],])
}
いくつかの組み込みデータセットで動作することを示します。
> tmp <- cross.join(mtcars, iris)
> dim(mtcars)
[1] 32 11
> dim(iris)
[1] 150 5
> dim(tmp)
[1] 4800 16
> str(tmp)
'data.frame': 4800 obs. of 16 variables:
$ mpg : num 21 21 22.8 21.4 18.7 18.1 14.3 24.4 22.8 19.2 ...
$ cyl : num 6 6 4 6 8 6 8 4 4 6 ...
$ disp : num 160 160 108 258 360 ...
$ hp : num 110 110 93 110 175 105 245 62 95 123 ...
$ drat : num 3.9 3.9 3.85 3.08 3.15 2.76 3.21 3.69 3.92 3.92 ...
$ wt : num 2.62 2.88 2.32 3.21 3.44 ...
$ qsec : num 16.5 17 18.6 19.4 17 ...
$ vs : num 0 0 1 1 0 1 0 1 1 1 ...
$ am : num 1 1 1 0 0 0 0 0 0 0 ...
$ gear : num 4 4 4 3 3 3 3 4 4 4 ...
$ carb : num 4 4 1 1 2 1 4 2 2 4 ...
$ Sepal.Length: num 5.1 5.1 5.1 5.1 5.1 5.1 5.1 5.1 5.1 5.1 ...
$ Sepal.Width : num 3.5 3.5 3.5 3.5 3.5 3.5 3.5 3.5 3.5 3.5 ...
$ Petal.Length: num 1.4 1.4 1.4 1.4 1.4 1.4 1.4 1.4 1.4 1.4 ...
$ Petal.Width : num 0.2 0.2 0.2 0.2 0.2 0.2 0.2 0.2 0.2 0.2 ...
$ Species : Factor w/ 3 levels "setosa","versicolor",..: 1 1 1 1 1 1 1 1 1 1 ...
2つのdata.tablesを相互結合する便利な方法が存在するかどうかを知りたいです。私はこれを頻繁に行うので、他の人が役立つと思うように自分の機能をロールバックすることになりました
library(data.table)
cartesian_join <- function(i, j){
# Cartesian join of two data.tables
# If i has M rows and j has N rows, the result will have M*N rows
# Example: cartesian_join(as.data.table(iris), as.data.table(mtcars))
# Check inputs
if(!is.data.table(i)) stop("'i' must be a data.table")
if(!is.data.table(j)) stop("'j' must be a data.table")
if(nrow(i) == 0) stop("'i' has 0 rows. Not sure how to handle cartesian join")
if(nrow(j) == 0) stop("'j' has 0 rows. Not sure how to handle cartesian join")
# Do the join (use a join column name that's unlikely to clash with a pre-existing column name)
i[, MrJoinyJoin := 1L]
j[, MrJoinyJoin := 1L]
result <- j[i, on = "MrJoinyJoin", allow.cartesian = TRUE]
result[, MrJoinyJoin := NULL]
i[, MrJoinyJoin := NULL]
j[, MrJoinyJoin := NULL]
return(result[])
}
foo <- data.frame(Foo = c(1,2,3))
foo
Foo
1 1
2 2
3 3
bar <- data.frame(Bar = c("a", "b", "c"))
bar
Bar
1 a
2 b
3 c
cartesian_join(as.data.table(foo), as.data.table(bar))
Bar Foo
1: a 1
2: b 1
3: c 1
4: a 2
5: b 2
6: c 2
7: a 3
8: b 3
9: c 3