使用部分字符串匹配从另一个数据帧填充数据帧
Filling in a dataframe from another dataframe using partial string matching
我有两个数据框。 Dataframe1 包含公园列表的气候数据。 Dataframe 2 包含相同的公园，但有一个字母（"P" 或 "T"）指定该公园内的道路。我想将气候数据与这些公园道路名称相匹配。例如。在数据框 1 中，"Park A" 可能有 25 厘米的降水量。 Dataframe 2 将有 "Park A P" 和 "Park A T"。我希望数据帧 2 在 "Park A P" 和 "Park A T" 中的值为 25。任何帮助，将不胜感激。
Dataframe1
structure(list(ParkName = c("Alafia River State Park", "Amelia Island State Park",
"Big Talbot Island State Park", "Blue Spring State Park", "Collier-Seminole State Park",
"Curry Hammock State Park", "Delnor-Wiggins Pass State Park",
"Dr. Von D. Mizell-Eula Johnson State Park", "Fakahatchee Strand Preserve State Park",
"Fort George Island Cultural State Park", "Fort Pierce Inlet State Park/Avalon State Park",
"Fort Zachary Taylor Historic State Park", "Highlands Hammock State Park",
"Hillsborough River State Park", "Honeymoon Island State Park",
"John D. MacArthur Beach State Park", "Jonathan Dickinson State Park",
"Lake Manatee State Park", "Long Key State Park", "Lovers Key State Park",
"Myakka River State Park", "Oscar Scherer State Park", "Paynes Creek Historic State Park",
"Pumpkin Hill Creek Preserve State Park", "Savannas Preserve State Park",
"Seabranch Preserve State Park", "Sebastian Inlet State Park",
"Terra Ceia Preserve State Park", "Werner-Boyce Salt Springs State Park"
), tmax = c(30.8666666666667, 26.2333333333333, 25.325, 29, 30.3166666666667,
29.1166666666667, 32.65, 30.7833333333333, 33, 26.3, 27.56, 30.6,
30.2333333333333, 33, 28.7666666666667, 28.98, 27.9142857142857,
27.4333333333333, 28.85, 29.4, 30.35, 32.7666666666667, 29.4,
30.1666666666667, 29.5166666666667, 32.4, 27.2583333333333, 29.7,
24.4333333333333), tavg = c(25.5, 21.6111111111111, 20.8333333333333,
23.5, 25.3166666666667, 25.9166666666667, 28, 26.9666666666667,
28.2, 22.025, 23.3, 28.6, 24.5833333333333, 27.7, 23.8333333333333,
24.62, 23.0714285714286, 21.5333333333333, 26, 24.32, 24.4166666666667,
28.0666666666667, 23.5333333333333, 25.9333333333333, 25.1666666666667,
28.2, 22.875, 24.86, 18.2), tmin = c(20.1333333333333, 17.0222222222222,
16.3666666666667, 18.02, 20.3166666666667, 22.6833333333333,
23.35, 23.2, 23.3, 17.75, 19.02, 26.6, 18.8833333333333, 22.45,
18.8666666666667, 20.28, 18.2285714285714, 15.6333333333333,
23.1, 19.24, 18.4166666666667, 23.3666666666667, 17.6333333333333,
21.7333333333333, 20.85, 23.95, 18.4416666666667, 20.04, 11.9333333333333
), precip = c(163.833333333333, 108.333333333333, 116.333333333333,
104.2, 156, 127.333333333333, 302, 168.166666666667, 259, 111,
117.8, 154, 131.833333333333, 208.5, 112.333333333333, 152.4,
94.2857142857143, 179.333333333333, 128.833333333333, 146, 147.666666666667,
223.666666666667, 137.333333333333, 122.333333333333, 154.166666666667,
226, 126.5, 137.8, 20.6666666666667), ParkLatitude = c(27.77339935,
30.52039909, 30.47949982, 28.94799995, 25.97559929, 24.74399948,
26.28140068, 26.07530022, 26.02120018, 30.42499924, 27.5222,
24.54649925, 27.4503994, 28.12179947, 28.07509995, 26.82620049,
27.00860023, 27.47850037, 24.81699944, 26.39119911, 27.22629929,
27.1807003, 27.61980057, 30.4701004, 27.3166008, 27.13529968,
27.86020088, 27.5977993, 28.31739998)), class = c("tbl_df", "tbl",
"data.frame"), .Names = c("ParkName", "tmax", "tavg", "tmin",
"precip", "ParkLatitude"), row.names = c(NA, -29L))
数据框 2
structure(list(newsites = c("Alafia River State Park T", "Blue Spring State Park P",
"Collier-Seminole State Park T", "Curry Hammock State Park P",
"Highlands Hammock State Park T", "Jonathan Dickinson State Park P",
"Jonathan Dickinson State Park T", "John D. MacArthur Beach State Park P",
"Dr. Von D. Mizell-Eula Johnson State Park P", "Long Key State Park P",
"Lovers Key State Park T", "Myakka River State Park T", "Myakka River State Park P",
"Savannas Preserve State Park P", "Seabranch Preserve State Park T",
"Sebastian Inlet State Park P", "Sebastian Inlet State Park T",
"Big Talbot Island State Park T", "Big Talbot Island State Park P",
"Fort George Island Cultural State Park T", "Amelia Island State Park T",
"Pumpkin Hill Creek Preserve State Park T", "Blue Spring State Park T",
"Collier-Seminole State Park P", "Delnor-Wiggins Pass State Park P",
"Fakahatchee Strand Preserve State Park T", "Fort Pierce Inlet State Park/Avalon State Park P",
"Fort Zachary Taylor Historic State Park P", "Highlands Hammock State Park P",
"Hillsborough River State Park P", "Honeymoon Island State Park P",
"Lake Manatee State Park T", "Oscar Scherer State Park P", "Paynes Creek Historic State Park P",
"Lake Manatee State Park P", "Lovers Key State Park P", "Terra Ceia Preserve State Park T",
"Werner-Boyce Salt Springs State Park T")), class = c("grouped_df",
"tbl_df", "tbl", "data.frame"), row.names = c(NA, -38L), .Names = "newsites", vars = "newsites", drop = TRUE, indices = list(
0L, 20L, 18L, 17L, 1L, 22L, 23L, 2L, 3L, 24L, 8L, 25L, 19L,
26L, 27L, 28L, 4L, 29L, 30L, 7L, 5L, 6L, 34L, 31L, 9L, 35L,
10L, 12L, 11L, 32L, 33L, 21L, 13L, 14L, 15L, 16L, 36L, 37L), group_sizes = c(1L,
1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L,
1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L,
1L, 1L, 1L, 1L, 1L), biggest_group_size = 1L, labels = structure(list(
newsites = c("Alafia River State Park T", "Amelia Island State Park T",
"Big Talbot Island State Park P", "Big Talbot Island State Park T",
"Blue Spring State Park P", "Blue Spring State Park T", "Collier-Seminole State Park P",
"Collier-Seminole State Park T", "Curry Hammock State Park P",
"Delnor-Wiggins Pass State Park P", "Dr. Von D. Mizell-Eula Johnson State Park P",
"Fakahatchee Strand Preserve State Park T", "Fort George Island Cultural State Park T",
"Fort Pierce Inlet State Park/Avalon State Park P", "Fort Zachary Taylor Historic State Park P",
"Highlands Hammock State Park P", "Highlands Hammock State Park T",
"Hillsborough River State Park P", "Honeymoon Island State Park P",
"John D. MacArthur Beach State Park P", "Jonathan Dickinson State Park P",
"Jonathan Dickinson State Park T", "Lake Manatee State Park P",
"Lake Manatee State Park T", "Long Key State Park P", "Lovers Key State Park P",
"Lovers Key State Park T", "Myakka River State Park P", "Myakka River State Park T",
"Oscar Scherer State Park P", "Paynes Creek Historic State Park P",
"Pumpkin Hill Creek Preserve State Park T", "Savannas Preserve State Park P",
"Seabranch Preserve State Park T", "Sebastian Inlet State Park P",
"Sebastian Inlet State Park T", "Terra Ceia Preserve State Park T",
"Werner-Boyce Salt Springs State Park T")), class = "data.frame", row.names = c(NA,
-38L), vars = "newsites", drop = TRUE, .Names = "newsites"))
# small data frames for illustration purposes
df1 <- data.frame(park = c('Yellowstone', 'Zion', 'Redwood'), rain = c(1,2,3), stringsAsFactors = F)
df2 <- data.frame(road = c('Yellowstone P', 'Yellowstone T', 'Zion P', 'Zion T', 'Redwood P', 'Redwood T'), stringsAsFactors = F)
# Make a new column in both data frames which only contains the first 4 characters of the park and road names
df1 <- cbind(df1, shortName = substring(df1$park, 1, 4))
df2 <- cbind(df2, shortName = substring(df2$road, 1, 4))
# Merge df1 and df2 according to the new shortName column we made
df3 <- merge(x = df1, y = df2, by = 'shortName')
df3
# shortName park rain road
#1 Redw Redwood 3 Redwood P
#2 Redw Redwood 3 Redwood T
#3 Yell Yellowstone 1 Yellowstone P
#4 Yell Yellowstone 1 Yellowstone T
#5 Zion Zion 2 Zion P
#6 Zion Zion 2 Zion T
如果要匹配的两个 character 字符串之间的唯一区别是一个空格分隔的单个字符，这里是一个 tidyverse 替代方案，使用 dplyr::left_join
library(tidyverse);
df2 %>%
ungroup() %>%
mutate(ParkName = gsub("\s[A-Za-z]$", "", newsites)) %>%
left_join(df1, by = "ParkName") %>%
select(newsites, precip)
## A tibble: 38 x 2
# newsites precip
# <chr> <dbl>
# 1 Alafia River State Park T 164.
# 2 Blue Spring State Park P 104.
# 3 Collier-Seminole State Park T 156.
# 4 Curry Hammock State Park P 127.
# 5 Highlands Hammock State Park T 132.
# 6 Jonathan Dickinson State Park P 94.3
# 7 Jonathan Dickinson State Park T 94.3
# 8 John D. MacArthur Beach State Park P 152.
# 9 Dr. Von D. Mizell-Eula Johnson State Park P 168.
#10 Long Key State Park P 129.
## ... with 28 more rows
请注意，df1 是您的 "Dataframe 1"，df2 是您的 "Dataframe 2"。
我有两个数据框。 Dataframe1 包含公园列表的气候数据。 Dataframe 2 包含相同的公园，但有一个字母（"P" 或 "T"）指定该公园内的道路。我想将气候数据与这些公园道路名称相匹配。例如。在数据框 1 中，"Park A" 可能有 25 厘米的降水量。 Dataframe 2 将有 "Park A P" 和 "Park A T"。我希望数据帧 2 在 "Park A P" 和 "Park A T" 中的值为 25。任何帮助，将不胜感激。
Dataframe1
structure(list(ParkName = c("Alafia River State Park", "Amelia Island State Park",
"Big Talbot Island State Park", "Blue Spring State Park", "Collier-Seminole State Park",
"Curry Hammock State Park", "Delnor-Wiggins Pass State Park",
"Dr. Von D. Mizell-Eula Johnson State Park", "Fakahatchee Strand Preserve State Park",
"Fort George Island Cultural State Park", "Fort Pierce Inlet State Park/Avalon State Park",
"Fort Zachary Taylor Historic State Park", "Highlands Hammock State Park",
"Hillsborough River State Park", "Honeymoon Island State Park",
"John D. MacArthur Beach State Park", "Jonathan Dickinson State Park",
"Lake Manatee State Park", "Long Key State Park", "Lovers Key State Park",
"Myakka River State Park", "Oscar Scherer State Park", "Paynes Creek Historic State Park",
"Pumpkin Hill Creek Preserve State Park", "Savannas Preserve State Park",
"Seabranch Preserve State Park", "Sebastian Inlet State Park",
"Terra Ceia Preserve State Park", "Werner-Boyce Salt Springs State Park"
), tmax = c(30.8666666666667, 26.2333333333333, 25.325, 29, 30.3166666666667,
29.1166666666667, 32.65, 30.7833333333333, 33, 26.3, 27.56, 30.6,
30.2333333333333, 33, 28.7666666666667, 28.98, 27.9142857142857,
27.4333333333333, 28.85, 29.4, 30.35, 32.7666666666667, 29.4,
30.1666666666667, 29.5166666666667, 32.4, 27.2583333333333, 29.7,
24.4333333333333), tavg = c(25.5, 21.6111111111111, 20.8333333333333,
23.5, 25.3166666666667, 25.9166666666667, 28, 26.9666666666667,
28.2, 22.025, 23.3, 28.6, 24.5833333333333, 27.7, 23.8333333333333,
24.62, 23.0714285714286, 21.5333333333333, 26, 24.32, 24.4166666666667,
28.0666666666667, 23.5333333333333, 25.9333333333333, 25.1666666666667,
28.2, 22.875, 24.86, 18.2), tmin = c(20.1333333333333, 17.0222222222222,
16.3666666666667, 18.02, 20.3166666666667, 22.6833333333333,
23.35, 23.2, 23.3, 17.75, 19.02, 26.6, 18.8833333333333, 22.45,
18.8666666666667, 20.28, 18.2285714285714, 15.6333333333333,
23.1, 19.24, 18.4166666666667, 23.3666666666667, 17.6333333333333,
21.7333333333333, 20.85, 23.95, 18.4416666666667, 20.04, 11.9333333333333
), precip = c(163.833333333333, 108.333333333333, 116.333333333333,
104.2, 156, 127.333333333333, 302, 168.166666666667, 259, 111,
117.8, 154, 131.833333333333, 208.5, 112.333333333333, 152.4,
94.2857142857143, 179.333333333333, 128.833333333333, 146, 147.666666666667,
223.666666666667, 137.333333333333, 122.333333333333, 154.166666666667,
226, 126.5, 137.8, 20.6666666666667), ParkLatitude = c(27.77339935,
30.52039909, 30.47949982, 28.94799995, 25.97559929, 24.74399948,
26.28140068, 26.07530022, 26.02120018, 30.42499924, 27.5222,
24.54649925, 27.4503994, 28.12179947, 28.07509995, 26.82620049,
27.00860023, 27.47850037, 24.81699944, 26.39119911, 27.22629929,
27.1807003, 27.61980057, 30.4701004, 27.3166008, 27.13529968,
27.86020088, 27.5977993, 28.31739998)), class = c("tbl_df", "tbl",
"data.frame"), .Names = c("ParkName", "tmax", "tavg", "tmin",
"precip", "ParkLatitude"), row.names = c(NA, -29L))
数据框 2
structure(list(newsites = c("Alafia River State Park T", "Blue Spring State Park P",
"Collier-Seminole State Park T", "Curry Hammock State Park P",
"Highlands Hammock State Park T", "Jonathan Dickinson State Park P",
"Jonathan Dickinson State Park T", "John D. MacArthur Beach State Park P",
"Dr. Von D. Mizell-Eula Johnson State Park P", "Long Key State Park P",
"Lovers Key State Park T", "Myakka River State Park T", "Myakka River State Park P",
"Savannas Preserve State Park P", "Seabranch Preserve State Park T",
"Sebastian Inlet State Park P", "Sebastian Inlet State Park T",
"Big Talbot Island State Park T", "Big Talbot Island State Park P",
"Fort George Island Cultural State Park T", "Amelia Island State Park T",
"Pumpkin Hill Creek Preserve State Park T", "Blue Spring State Park T",
"Collier-Seminole State Park P", "Delnor-Wiggins Pass State Park P",
"Fakahatchee Strand Preserve State Park T", "Fort Pierce Inlet State Park/Avalon State Park P",
"Fort Zachary Taylor Historic State Park P", "Highlands Hammock State Park P",
"Hillsborough River State Park P", "Honeymoon Island State Park P",
"Lake Manatee State Park T", "Oscar Scherer State Park P", "Paynes Creek Historic State Park P",
"Lake Manatee State Park P", "Lovers Key State Park P", "Terra Ceia Preserve State Park T",
"Werner-Boyce Salt Springs State Park T")), class = c("grouped_df",
"tbl_df", "tbl", "data.frame"), row.names = c(NA, -38L), .Names = "newsites", vars = "newsites", drop = TRUE, indices = list(
0L, 20L, 18L, 17L, 1L, 22L, 23L, 2L, 3L, 24L, 8L, 25L, 19L,
26L, 27L, 28L, 4L, 29L, 30L, 7L, 5L, 6L, 34L, 31L, 9L, 35L,
10L, 12L, 11L, 32L, 33L, 21L, 13L, 14L, 15L, 16L, 36L, 37L), group_sizes = c(1L,
1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L,
1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L,
1L, 1L, 1L, 1L, 1L), biggest_group_size = 1L, labels = structure(list(
newsites = c("Alafia River State Park T", "Amelia Island State Park T",
"Big Talbot Island State Park P", "Big Talbot Island State Park T",
"Blue Spring State Park P", "Blue Spring State Park T", "Collier-Seminole State Park P",
"Collier-Seminole State Park T", "Curry Hammock State Park P",
"Delnor-Wiggins Pass State Park P", "Dr. Von D. Mizell-Eula Johnson State Park P",
"Fakahatchee Strand Preserve State Park T", "Fort George Island Cultural State Park T",
"Fort Pierce Inlet State Park/Avalon State Park P", "Fort Zachary Taylor Historic State Park P",
"Highlands Hammock State Park P", "Highlands Hammock State Park T",
"Hillsborough River State Park P", "Honeymoon Island State Park P",
"John D. MacArthur Beach State Park P", "Jonathan Dickinson State Park P",
"Jonathan Dickinson State Park T", "Lake Manatee State Park P",
"Lake Manatee State Park T", "Long Key State Park P", "Lovers Key State Park P",
"Lovers Key State Park T", "Myakka River State Park P", "Myakka River State Park T",
"Oscar Scherer State Park P", "Paynes Creek Historic State Park P",
"Pumpkin Hill Creek Preserve State Park T", "Savannas Preserve State Park P",
"Seabranch Preserve State Park T", "Sebastian Inlet State Park P",
"Sebastian Inlet State Park T", "Terra Ceia Preserve State Park T",
"Werner-Boyce Salt Springs State Park T")), class = "data.frame", row.names = c(NA,
-38L), vars = "newsites", drop = TRUE, .Names = "newsites"))
# small data frames for illustration purposes
df1 <- data.frame(park = c('Yellowstone', 'Zion', 'Redwood'), rain = c(1,2,3), stringsAsFactors = F)
df2 <- data.frame(road = c('Yellowstone P', 'Yellowstone T', 'Zion P', 'Zion T', 'Redwood P', 'Redwood T'), stringsAsFactors = F)
# Make a new column in both data frames which only contains the first 4 characters of the park and road names
df1 <- cbind(df1, shortName = substring(df1$park, 1, 4))
df2 <- cbind(df2, shortName = substring(df2$road, 1, 4))
# Merge df1 and df2 according to the new shortName column we made
df3 <- merge(x = df1, y = df2, by = 'shortName')
df3
# shortName park rain road
#1 Redw Redwood 3 Redwood P
#2 Redw Redwood 3 Redwood T
#3 Yell Yellowstone 1 Yellowstone P
#4 Yell Yellowstone 1 Yellowstone T
#5 Zion Zion 2 Zion P
#6 Zion Zion 2 Zion T
如果要匹配的两个 character 字符串之间的唯一区别是一个空格分隔的单个字符，这里是一个 tidyverse 替代方案，使用 dplyr::left_join
library(tidyverse);
df2 %>%
ungroup() %>%
mutate(ParkName = gsub("\s[A-Za-z]$", "", newsites)) %>%
left_join(df1, by = "ParkName") %>%
select(newsites, precip)
## A tibble: 38 x 2
# newsites precip
# <chr> <dbl>
# 1 Alafia River State Park T 164.
# 2 Blue Spring State Park P 104.
# 3 Collier-Seminole State Park T 156.
# 4 Curry Hammock State Park P 127.
# 5 Highlands Hammock State Park T 132.
# 6 Jonathan Dickinson State Park P 94.3
# 7 Jonathan Dickinson State Park T 94.3
# 8 John D. MacArthur Beach State Park P 152.
# 9 Dr. Von D. Mizell-Eula Johnson State Park P 168.
#10 Long Key State Park P 129.
## ... with 28 more rows
请注意，df1 是您的 "Dataframe 1"，df2 是您的 "Dataframe 2"。