4.6 Join

本章主要展示和讨论关于多张表的操作。 目前为止，我们仅探讨了单张表的操作，接下来将探讨如何合并多张表。 DataFrames.jl 通过 join 函数合并多张表。 join 函数非常强大，但可能需要花些时间才能理解。 然而，你不需要记住下面所有的 join 函数，因为 DataFrames.jl 文档 和本书将会列出它们。 但是，必须要知道存在 join 操作。 如果要在某张 DataFrame 中遍历所有行并与其他数据行比较，那么可能需要如下这些 join 函数。

Section 4 给出了 2020 年的成绩 grades_2020：

grades_2020()

现在需要将 grades_2020 与 2021 年的成绩合并：

grades_2021()

此功能的实现就需要用到 join。 DataFrames.jl 列出了不少于七种的 join 函数， 这看起来令人生畏，但请坚持，因为它们都很有用，后面将会逐个讨论所有函数。

4.6.1 innerjoin

首先讨论的是 innerjoin。 假设存在两个数据集 A 和 B， 分别具有列 A_1, A_2, ..., A_n 和 B_1, B_2, ..., B_m ，并且 其中的一列具有相同的名字：A_1 和 B_1 都是 :id。 然后对 :id 使用 innerjoin，则将遍历 A_1 中的所有元素并且与 B_1 中的元素进行比较。 如果元素 是相同的，然后将会把 A_2, ..., A_n 和 B_2, ..., B_m 的相应信息添加到 :id 列后。

好吧，如果你没有明白上面的描述，请不要担心。 请查看如下所示的成绩数据集合并结果：

innerjoin(grades_2020(), grades_2021(); on=:name)

注意只有 “Sally” 和 “Hank” 同时存在于两个数据集中。 innerjoin 的名字对应了数学中的 交集， 即“存在于 \(A\) 的元素，也存在于 \(B\)，或者说存在于 \(B\) 的元素，也存在于 \(A\)”。

4.6.2 outerjoin

也许你在想， “aha，如果我们有inner，那我们可能也会有 outer”。 是的，你猜对了！

outerjoin 没有 innerjoin 那么严格，只要在 至少一个数据集中发现包含的 name，就会将相应的列合并到结果中：

outerjoin(grades_2020(), grades_2021(); on=:name)

因此，当其中一个原始数据集不存在对应的值时，该方法会创建 missing 值。

4.6.3 crossjoin

如果使用 crossjoin 将会出现更多的 missing 值。 该方法会给出 行的笛卡尔积，也就是行的乘法，即对于每一行创建一个与另一张表中所有行的组合：

crossjoin(grades_2020(), grades_2021(); on=:id)

MethodError: no method matching crossjoin(::DataFrame, ::DataFrame; on=:id)
Closest candidates are:
  crossjoin(::DataFrames.AbstractDataFrame, ::DataFrames.AbstractDataFrame; makeunique) at ~/.julia/packages/DataFrames/bza1S/src/join/composer.jl:1412 got unsupported keyword argument "on"
  crossjoin(::DataFrames.AbstractDataFrame, ::DataFrames.AbstractDataFrame, !Matched::DataFrames.AbstractDataFrame...; makeunique) at ~/.julia/packages/DataFrames/bza1S/src/join/composer.jl:1434 got unsupported keyword argument "on"
  ...

呃，出错了。 因为 crossjoin 并不按行考虑元素，所以不需要将 on 参数指定为想要合并的列：

crossjoin(grades_2020(), grades_2021())

ArgumentError: Duplicate variable names: :name. Pass makeunique=true to make them unique using a suffix automatically.
Stacktrace:
  [1] add_names(ind::DataFrames.Index, add_ind::DataFrames.Index; makeunique::Bool)
    @ DataFrames ~/.julia/packages/DataFrames/bza1S/src/other/index.jl:430
  [2] merge!(x::DataFrames.Index, y::DataFrames.Index; makeunique::Bool)
  ...

呃，又出错了。 这是一个 DataFrame 和 join 中很常见的错误。 2020 和 2021 年成绩表有一个重复的列名，即 :name。 与之前一样，DataFrames.jl 的报错输出给出了一个可能修复此错误的简单建议。 尝试仅传递 makeunique=true 解决此问题：

crossjoin(grades_2020(), grades_2021(); makeunique=true)

所以现在，对于 2020 和 2021 年成绩表中的每个人，新表都存在表示其成绩的一行。 对于直接的查询，例如“谁的成绩最高？”，笛卡尔积的结果通常不太可行，但对于“统计学” 查询来说具有一定意义。

4.6.4 leftjoin 和 rightjoin

对数据科学项目更有用的是 leftjoin 和 rightjoin。 leftjoin 将考虑合并时左侧 DataFrame 中的所有元素：

leftjoin(grades_2020(), grades_2021(); on=:name)

此处注意，“Bob” 和 “Alice” 的成绩在 2021 成绩表格中是 缺失 的，这就是为什么对应的位置是 missing 值。 rightjoin 实现了相反的操作：

rightjoin(grades_2020(), grades_2021(); on=:name)

而现在 2020 中的部分成绩是缺失的。

注意到， leftjoin(A, B) != rightjoin(B, A)，因为它们的列顺序不同。 例如，将下面的输出与之前的输出进行比较：

leftjoin(grades_2021(), grades_2020(); on=:name)

4.6.5 semijoin 和 antijoin

最后讨论 semijoin 和 antijoin。

semijoin 比 innerjoin 更具有限制性。 它仅返回 存在于左侧 DataFrame 并同时存在于两张 DataFrame 的元素。 这看起来像是 innerjoin 和 leftjoin 的组合。

semijoin(grades_2020(), grades_2021(); on=:name)

与 semijoin 相对的是 antijoin。 它仅返回 存在于左侧 DataFrame 但不存在于右侧 DataFrame 的元素。

antijoin(grades_2020(), grades_2021(); on=:name)

CC BY-NC-SA 4.0 Jose Storopoli, Rik Huijzer, Lazaro Alonso, 刘贵欣 (中文翻译), 田俊 （中文审校）