是否可以在 dplyr 中进行完全连接并保留连接中使用的所有列？

Question

我有两个表，我想使用 dplyr 进行完全连接，但我不希望它删除任何列。根据文档和我自己的经验，它只保留左侧的连接列。这是一个问题，当你有一行记录在右侧时，因为连接值消失了。

例如，假设我有两个表a和b，

customerId | revenue               customerId | state
-----------|---------              -----------|-------
    1      | 2000                       1     |  CA
    2      | 3000                       3     |  GA
    4      | 4000                       4     |  NY

做类似full_join(a, b, by="customerId")的事情会产生

customerId | revenue | state
-----------|---------|-------
    1      |   2000  |  CA
    2      |   3000  | <NA>
   <NA>    |   <NA>  |  GA
    4      |   4000  |  NY

因此无法判断第三行来自哪个客户。理想的输出是

customerId.a | customerId.b | revenue | state
-------------|--------------|---------|-------
      1      |      1       |   2000  |  CA
      2      |     <NA>     |   3000  | <NA>
    <NA>     |      3       |   <NA>  |  GA
      4      |      4       |   4000  |  NY

请注意，这只是一个玩具示例。我实际上正在使用 sparklyr，所以这一切都在 Spark 中运行。因此， merge 在这里对我不起作用。有没有办法在 dplyr 中做我正在寻找的事情？

编辑：正如有人指出的那样，这实际上在本地 dplyr 本身中按预期工作。但是，我确实使用 sparklyr（使用 dplyr）看到了这个问题。这是查看的代码：

library(sparklyr)
sc <- spark_connect("local[4]")
d1 <- data_frame(customerId = c("1","2","4"), revenue=c(2000,3000,4000))
d2 <- data_frame(customerId = c("1","3","4"), state=c("CA", "GA", "NY"))
d1_tbl <- copy_to(sc, d1)
d2_tbl <- copy_to(sc, d2)
full_join(d1_tbl, d2_tbl, by=c("customerId"))

Answer 1

我无法重现您的问题。所有 ID 都应该（并且已经）包含在完整连接中。

library(data_frame)
d1 <- data_frame(
  customerId = c(1, 2, 4),
  revenue = c(2000, 3000, 4000)
)
d2 <- data_frame(
  customerId = c(1, 3, 4),
  state = c("CA", "GA", "NY")
)

full_join(d1, d2, by = "customerId")
## # A tibble: 4 × 3
##   customerId revenue state
##        <dbl>   <dbl> <chr>
## 1          1    2000    CA
## 2          2    3000  <NA>
## 3          4    4000    NY
## 4          3      NA    GA

更新：我可以使用 sparklyr 重现问题。这是一种奇怪的行为，所以你可能想提出一个问题。（不清楚问题是否出在 sparklyr 或 dplyr 或 DBI 或 Spark SQL。）

使用explain()，可以看到生成的SQL。

full_join(d1_tbl, d2_tbl, by=c("customerId")) %>% explain()

您可以尝试运行自定义 SQL 查询来获得您想要的结果，尽管它有点混乱。

library(DBI)
qry <- "SELECT 
    d1.customerID AS customerID1, 
    d2.customerID AS customerID2, 
    d1.revenue, 
    d2.state 
  FROM d1 
  FULL JOIN d2 
    ON d1.customerId = d2.customerId"
dbGetQuery(sc, qry)  
##   customerID1 customerID2 revenue state
## 1           1           1    2000    CA
## 2           2        <NA>    3000  <NA>
## 3        <NA>           3     NaN    GA
## 4           4           4    4000    NY

Answer 2

您可以在 join:

之前为两个数据帧创建单独的相同 customerId

full_join(
    mutate(a, customerId.a = customerId), 
    mutate(b, customerId.b = customerId), 
    by="customerId"
) %>% select(-customerId)

#  revenue customerId.a state customerId.b
#1    2000            1    CA            1
#2    3000            2  <NA>           NA
#3    4000            4    NY            4
#4      NA           NA    GA            3

Answer 3

已修复

> full_join(d1_tbl, d2_tbl, by="customerId")
# Source:   lazy query [?? x 3]
# Database: spark_connection
  customerId revenue state
       <chr>   <dbl> <chr>
1          1    2000    CA
2          3     NaN    GA
3          2    3000  <NA>
4          4    4000    NY

Answer 4

只需在dplyr::full_join()中使用参数keep即可。

full_join(a, b, by="customerId",keep = TRUE)

是否可以在 dplyr 中进行完全连接并保留连接中使用的所有列？

Is it possible to do a full join in dplyr and keep all the columns used in the join?

r

dplyr

sparklyr