如何检查不同数据集中多列之间的差异(在R中)？

Question

我觉得这可能是个常见的问题，但到目前为止我还没有找到答案。我有两个数据集，一个“标准”和一个“参考”数据集。实际上，标准数据集中的列用于合并来自引用数据集的许多列，在这里模拟为"xtracols“。我需要做的一件事是知道为什么合并失败，如果发生这种情况。例如，如果我有两个数据文件：

df <- data.frame(
  id = c(1,2,3),
  batch = c(40,45,42),
  dil = c(100, 1000, 2000)
)

refdf <- data.frame(
  id = c(rep(1, 5), rep(2, 5), rep(3, 5)),
  batch = c(rep(40, 5), rep(41, 5), rep(42, 5)),
  dil = rep(c(1, 10, 100, 1000, 10000), 3),
  xtrcols = rep(c("a", "b", "c"), 5)
)

我就这样合并：

merged <- merge(df, refdf, by = c("id", "batch", "dil"), all.x = TRUE)

我需要知道某个给定" id“的合并是否因为批处理不正确而失败，例如id = 2的情况，或者合并失败是因为refdf中不存在"dil”的值，就像id= 3的情况一样。我尝试了几种迭代数据和使用match()的方法，但是到目前为止还没有像预期的那样真正起作用。

这将是我运行上述代码的预期结果。对于ids 2和3，合并失败，但原因不同。我试图找到一种方法来知道合并失败的两个原因中的哪一个，这样我就可以在此基础上返回一条特定的错误消息。

​

​

任何洞察力都将不胜感激。

Answer 1

更改数据后的更新:使用更改的dataframes：anti_join将帮助：

anti_join(df, refdf, by=c("id", "batch", "dil"))

  id batch  dil
1  2    45 1000
2  3    42 2000

第一个答案:我们可以使用anti_join：anti_join()返回x中的所有行，而在y中没有匹配。

library(dplyr)

anti_join(df, refdf, by=c("id", "batch"))

  id batch  dil
1  2    45 1000