데이터 프레임 결합: 완전(Full) & 부분(Partial) 대응

종종, 우리는 여러 출처로부터 데이터를 얻는다. 분석을 수행하려면 하나 이상의 공통 키 변수를 갖는 두 개의 데이터 프레임을 함께 결합해야 한다.

이 튜토리얼에서 다음의 내용을 학습한다 :

• 완전 대응
• 부분 대응

완전 대응

완전 대응(full match)은 오른 쪽 테이블에 상대편이 있는 값을 반환한다. 대응하지 않는 값들은 새 데이터 프레임에 반환되지 않는다. 그러나 부분 대응은 NA로 결측치를 반환한다.

우리는 간단한 inner join(내부 결합)을 살펴볼 것이다. 내부 결합 키워드는 두 표에 일치하는 값을 가진 레코드(행)를 선택한다. 두 데이터셋을 결합하려면 merge() 함수를 사용한다. 이 함수는 다음과 같은 세 가지 인수를 사용할 것이다.

xxxxxxxxxx
merge(x, y, by.x = x, by.y = y)

인수(Arguments) :

• x : 원래의 데이터 프레임
• y : 병합할 데이터 프레임
• by.x : x 데이터 프레임에서 결합에 사용되는 열. 결합된 결과는 x열로 표시된다.
• by.y : y 데이터 프레임에서 결합에 사용되는 열. 결합된 결과는 y열로 표시된다.

Example :

다음의 변수를 갖는 첫 데이터 프레임을 생성.

• surname
• nationality

다음의 변수를 갖는 둘째 데이터 세트를 생성.

• surname
• movies

공통의 key 변수는 surname이다. 우리는 두 데이터를 합쳐서, 차원이 7x3인지 확인할 수 있다.

우리는 R이 문자열이 factor로 변환되는 것을 원치않기 때문에(즉, 변수를 문자로 처리하기 위해) 데이터 프레임에 StringsAsFactors=FALSE를 추가한다.

xxxxxxxxxx
# Create origin dataframe(
​
producers <- data.frame(   
    surname =  c("Spielberg","Scorsese","Hitchcock","Tarantino","Polanski"),    
    nationality = c("US","US","UK","US","Poland"),    
    stringsAsFactors=FALSE)
​
# Create destination dataframe
movies <- data.frame(    
    surname = c("Spielberg",
                "Scorsese",
                "Hitchcock",
                "Hitchcock",
                "Spielberg",
                "Tarantino",
                "Polanski"),    
    title = c("Super 8",
            "Taxi Driver",
            "Psycho",
            "North by Northwest",
            "Catch Me If You Can",
            "Reservoir Dogs","Chinatown"),                
            stringsAsFactors=FALSE)
​
# Merge two datasets
m1 <- merge(producers, movies, by.x = "surname")
m1
dim(m1)

결과 :

xxxxxxxxxx
surname     nationality     title
1 Hitchcock     UK      Psycho
2 Hitchcock     UK      North by Northwest
3 Polanski      Poland      Chinatown
4 Scorsese      US      Taxi Driver
5 Spielberg     US      Super 8
6 Spielberg     US      Catch Me If You Can
7 Tarantino     US      Reservoir Dogs

공통의 key 변수가 서로 다른 이름을 가지고 있을 경우에 데이터 프레임들을 병합해 보자.

우리는 movies 데이터 프레임에서 surname을 name으로 바꾼다. 우리는 identical(x1, x2) 함수를 사용하여 두 데이터 프레임이 동일한지 확인한다.

xxxxxxxxxx
# Change name of ` movies ` dataframe
colnames(movies)[colnames(movies) == 'surname'] <- 'name'
​
# Merge with different key value
m2 <- merge(producers, movies, by.x = "surname", by.y = "name")
​
# Print head of the data
head(m2)

결과 :

xxxxxxxxxx
##surname     nationality       title
## 1 Hitchcock          UK      Psycho
## 2 Hitchcock          UK      North by Northwest
## 3 Polanski          Poland       Chinatown
## 4 Scorsese           US      Taxi Driver
## 5 Spielberg          US      Super 8
## 6 Spielberg          US      Catch Me If You Can
# Check if data are identical
identical(m1, m2)

결과 :

xxxxxxxxxx
## [1] TRUE

이는 열 이름이 다르더라도 병합 작업이 수행됨을 보여준다.

부분 대응

두 데이터 프레임이 동일한 공통 key 변수를 가지고 있지 않다는 것은 놀라운 일이 아니다. 완전 대응(full matching)에서 데이터프레임은 x와 y 데이터 프레임 모두에서 발견되는 행만 반환한다. 부분 병합(partial merging)을 사용하면 다른 데이터 프레임에 대응하는 행이 없는 행을 유지할 수 있다. 이러한 행은 대개 y 값들로 채워진 열에 NA를 가진다. 우리는 all.x=TRUE라고 설정함으로써 그렇게 할 수 있다.

예를 들어, movies데이터 프레임에 영화 참조가 없는 producer데이터 프레임에 새로운 프로듀서로 Lucas를 추가할 수 있다. 만일 all.x = FALSE로 설정하면, R은 두 데이터 세트의 일치 값만 결합한다. 우리의 경우, producer Lucas는 하나의 데이터 세트에서 누락되었기 때문에 합병에 참여하지 않을 것이다.

all.x=TRUE를 지정할 때와 그렇지 않을 때 각 결과의 차원을 살펴보자.

xxxxxxxxxx
# Create a new producer
add_producer <-  c('Lucas', 'US')
#  Append it to the ` producer` dataframe
producers <- rbind(producers, add_producer)
# Use a partial merge 
m3 <-merge(producers, movies, by.x = "surname", by.y = "name", all.x = TRUE)
m3

결과 :

xxxxxxxxxx
# Compare the dimension of each data frame
dim(m1)

결과 :

xxxxxxxxxx
## [1] 7 3

xxxxxxxxxx
dim(m2)

결과 :

xxxxxxxxxx
## [1] 7 3

xxxxxxxxxx
dim(m3)

결과 :

xxxxxxxxxx
## [1] 8 3

우리가 볼 수 있듯이, 새로 데이터 프레임 m3의 차원은 8x3인데, m1과 m2의 차원 7x3과 대조된다. R은 books 데이터 프레임에서 저자 명이 누락된 부분에 대해서는 NA가 입력된다.