如何连接R中的两个表，用第二个表中的数据更新第一个表中的NA？

Question

我有两张表格，其中的信息是相互补充的。

dataset_a <- data.frame(id = 1:10, country = c(rep("England", 5), rep("Northern Ireland", 5)), population = c(10000, 12000, 20000, 20000, 15000, 2500, 2800, 9000, 10110, 11000), health_rank = c(6500:6504, rep(NA, 5)), health_decile_numeric = c(rep("4", 5), rep(NA, 5)), health_decile_text = c(rep("Top 40%", 5), rep(NA, 5)))

dataset_b <- data.frame(id = 1:10, country = c(rep("England", 5), rep("Northern Ireland", 5)), health_rank = c(rep(NA, 5), 850:854), health_decile_numeric = c(rep(NA, 5), rep("2", 5)), health_decile_text = c(rep(NA, 5), rep("Top 20%", 5)))

> dataset_aa
   id          country population health_rank health_decile_numeric health_decile_text
1   1          England      10000        6500                     4            Top 40%
2   2          England      12000        6501                     4            Top 40%
3   3          England      20000        6502                     4            Top 40%
4   4          England      20000        6503                     4            Top 40%
5   5          England      15000        6504                     4            Top 40%
6   6 Northern Ireland       2500          NA                  <NA>               <NA>
7   7 Northern Ireland       2800          NA                  <NA>               <NA>
8   8 Northern Ireland       9000          NA                  <NA>               <NA>
9   9 Northern Ireland      10110          NA                  <NA>               <NA>
10 10 Northern Ireland      11000          NA                  <NA>               <NA>

dataset_bb
   id          country health_rank health_decile_numeric health_decile_text
1   1          England          NA                  <NA>               <NA>
2   2          England          NA                  <NA>               <NA>
3   3          England          NA                  <NA>               <NA>
4   4          England          NA                  <NA>               <NA>
5   5          England          NA                  <NA>               <NA>
6   6 Northern Ireland         850                     2            Top 20%
7   7 Northern Ireland         851                     2            Top 20%
8   8 Northern Ireland         852                     2            Top 20%
9   9 Northern Ireland         853                     2            Top 20%
10 10 Northern Ireland         854                     2            Top 20%

dataset_a

比

dataset_b

大得多。

dataset_a

的长度超过 250 万行，而

dataset_b

只有几千行（有关北爱尔兰与英国其他地区的数据）。

我需要加入一个公共变量，比如

id

，更新公共变量并保持独占变量不变。到目前为止我所做的是

new_dataset <- left_join(dataset_a, dataset_b,
                         by = "id")

但现在我有重复的列

health_rank.x

和

health_rank.y

，

health_decile_numeric.x

和

health_decile_numeric.y

等等。删除

dataset_a

中的第 5 到 10 行（删除北爱尔兰记录）并使用新信息再次添加它们不是一个选项，因为真实数据集包含更多

dataset_b

中未包含的变量，并且需要将它们保留在适当的位置，比如

population

但还有很多其他的。

如何合并两个数据表更新行而不是添加新列？我正在寻找如下结果表：

> new_dataset
   id          country population health_rank health_decile_numeric health_decile_text
1   1          England      10000        6500                     4            Top 40%
2   2          England      12000        6501                     4            Top 40%
3   3          England      20000        6502                     4            Top 40%
4   4          England      20000        6503                     4            Top 40%
5   5          England      15000        6504                     4            Top 40%
6   6 Northern Ireland       2500         850                     2            Top 20%
7   7 Northern Ireland       2800         851                     2            Top 20%
8   8 Northern Ireland       9000         852                     2            Top 20%
9   9 Northern Ireland      10110         853                     2            Top 20%
10 10 Northern Ireland      11000         854                     2            Top 20%

Answer 1

据我了解，您可以只对北爱尔兰数据进行索引。你提到有额外的列，所以我创建了一个可以修改的变量

wantcols

：

# columns you want to update
wantcols <- names(dataset_a[,-c(1:3)])

# [1] "health_rank" "health_decile_numeric" "health_decile_text"   

dataset_a[dataset_a$country %in% "Northern Ireland", wantcols] <-
  dataset_b[dataset_b$country %in% "Northern Ireland", wantcols]

输出：

#    id          country population health_rank health_decile_numeric health_decile_text
# 1   1          England      10000        6500                     4            Top 40%
# 2   2          England      12000        6501                     4            Top 40%
# 3   3          England      20000        6502                     4            Top 40%
# 4   4          England      20000        6503                     4            Top 40%
# 5   5          England      15000        6504                     4            Top 40%
# 6   6 Northern Ireland       2500         850                     2            Top 20%
# 7   7 Northern Ireland       2800         851                     2            Top 20%
# 8   8 Northern Ireland       9000         852                     2            Top 20%
# 9   9 Northern Ireland      10110         853                     2            Top 20%
# 10 10 Northern Ireland      11000         854                     2            Top 20%

注意，这适用于您的示例数据，但不确定它是否会扩展到您的真实数据。如果没有，请告诉我，我可以更新答案。