识别数据框 A 中不包含在数据框 B 中的记录

Question

这是我第一次在这里发帖，所以请友善;-)

编辑 在我有机会做出建议的更改之前，我的问题已结束。所以我现在正在努力做得更好，感谢迄今为止回答的所有人！

问题

如何根据识别数据帧x.1中未包含在数据帧x.2中的记录/行所有可用的属性（即所有列）都以最有效的方式提供？

示例数据

> x.1 <- data.frame(a=c(1,2,3,4,5), b=c(1,2,3,4,5))
> x.1
  a b
1 1 1
2 2 2
3 3 3
4 4 4
5 5 5

> x.2 <- data.frame(a=c(1,1,2,3,4), b=c(1,1,99,3,4))
> x.2
  a  b
1 1  1
2 1  1
3 2 99
4 3  3
5 4  4

所需结果

  a b
2 2 2
5 5 5

迄今为止最佳解决方案，

由 Brian Ripley 教授和 Gabor Grothendieck 教授

> fun.12 <- function(x.1,x.2,...){
+     x.1p <- do.call("paste", x.1)
+     x.2p <- do.call("paste", x.2)
+     x.1[! x.1p %in% x.2p, ]
+ }
> fun.12(x.1,x.2)
  a b
2 2 2
5 5 5
> sol.12 <- microbenchmark(fun.12(x.1,x.2))
> sol.12 <- median(sol.12$time)/1000000000
> sol.12
> [1] 0.000207784

迄今为止测试的所有解决方案的集合可在我的blog

最终编辑 2011-10-14

这是封装在函数“mergeX()”中的最佳解决方案：

setGeneric(
    name="mergeX",
    signature=c("src.1", "src.2"),
    def=function(
        src.1,
        src.2,
        ...
    ){
    standardGeneric("mergeX")    
    }
)

setMethod(
    f="mergeX", 
    signature=signature(src.1="data.frame", src.2="data.frame"), 
    definition=function(
        src.1,
        src.2,
        do.inverse=FALSE,
        ...
    ){
    if(!do.inverse){
        out <- merge(x=src.1, y=src.2, ...)
    } else {
        if("by.y" %in% names(list(...))){
            src.2.0 <- src.2
            src.2 <- src.1
            src.1 <- src.2.0
        }
        src.1p <- do.call("paste", src.1)
        src.2p <- do.call("paste", src.2)
        out <- src.1[! src.1p %in% src.2p, ]
    }
    return(out)    
    }
)

Answer 1

这里有一些方法。 #1 和 #4 假设 x.1 的行是唯一的。 （如果 x.1 的行不唯一，那么它们将仅返回重复行中的重复行之一。）其他行返回所有重复项：

# 1
x.1[!duplicated(rbind(x.2, x.1))[-(1:nrow(x.2))],]

# 2
do.call("rbind", setdiff(split(x.1, rownames(x.1)), split(x.2, rownames(x.2))))

# 3
x.1p <- do.call("paste", x.1)
x.2p <- do.call("paste", x.2)
x.1[! x.1p %in% x.2p, ]

# 4
library(sqldf)
sqldf("select * from `x.1` except select * from `x.2`")

编辑：x.1 和 x.2 已交换并且这已被修复。还更正了开头的限制说明。

Answer 2

怎么样使用merge - 最简单的解决方案 - 我认为它也是最快的。

tmp = merge(x.1, cbind(x.2, myid = 1:nrow(x.2)), all.x = TRUE)
    # provided that there's no column myid in both dataframes
tmp[is.na(tmp$myid), 1:ncol(x.1)] # the result

对应于：（

select x1.* 
from x1 natural left join x2 
where x2.myid is NULL

您也可以使用 sqldf 来做到这一点）。

请注意，添加 myid 列是为了确保某些列没有 NA 值。如果您确定已经有一些列不包含 NULL 值，您可以简化解决方案：

tmp = merge(x.1, x.2, all.x = TRUE)
    # provided that there's no column myid in both dataframes
tmp[is.na(tmp$some_column), 1:ncol(x.1)] # the result