Función merge en R
La función merge en R permite fusionar o unir dos data frames por columnas comunes o por nombres de fila. Esta función permite realizar diferentes combinaciones de bases de datos (SQL), como unión izquierda (left join), unión interna (inner join), unión derecha (right join) o unión completa (full join), entre otras. En este tutorial aprenderás a unir data frames en R base y RStudio de las posibles formas disponibles con varios ejemplos.
Sintaxis de la función merge() en R
La sintaxis de la función merge en R con una breve descripción de sus argumentos se muestra en el siguiente bloque de código:
merge(x, y, ...)
# Para data frames:
merge(x, y, # Data frames u objectos a ser transformados
by = intersect(names(x), names(y)), # Columnas usadas para unir
by.x = by, by.y = by, # Columnas usadas para unir
all = FALSE, # Si TRUE, all.x = TRUE y all.y = TRUE
all.x = all, all.y = all, # Si TRUE, añade filas para cada fija en x (y) que no coincide con una en y (x).
sort = TRUE, # Ordenar (TRUE) las columnas por las columans usadas en el argumento 'by'
suffixes = c(".x",".y"), # Sufijos para crear nombres de columna únicos
no.dups = TRUE, # Evitar nombres de columnas duplicados (TRUE) añadiendo más sufijos
incomparables = NULL, # Como tratar los valores que no se pueden unir
...) # Argumentos adicionalesTen en cuenta que el método principal de la función merge es para data frames. Sin embargo, merge es una función genérica que también se puede usar con otros objetos (como vectores o matrices), pero serán transformados a la clase data.frame.
Unir data frames en R
Para crear un ejemplo reproducible que muestre cómo unir dos data frames en R, vamos a utilizar los siguientes conjuntos de datos de muestra denominados df_1, que representan el id de identificación, el nombre y el salario mensual de algunos empleados de una empresa y df_2, que muestra la identificación, nombre, edad y cargo de algunos empleados.
set.seed(61)
empleado_id <- 1:10
empleado_nombre <- c("Andrew", "Susan", "John", "Joe", "Jack",
"Jacob", "Mary", "Kate", "Jacqueline", "Ivy")
empleado_salario <- round(rnorm(10, mean = 1500, sd = 200))
empleado_edad <- round(rnorm(10, mean = 50, sd = 8))
empleado_puesto <- c("CTO", "CFO", "Administrativo", rep("Técnico", 7))
df_1 <- data.frame(id = empleado_id[1:8], nombre = empleado_nombre[1:8],
salario_mensual = empleado_salario[1:8])
df_2 <- data.frame(id = empleado_id[-5], nombre = empleado_nombre[-5],
edad = empleado_edad[-5], position = empleado_puesto[-5])
df_1
df_2 # df_1 # df_2
id nombre salario_mensual id nombre edad puesto
1 Andrew 1424 1 Andrew 40 CTO
2 Susan 1425 2 Susan 38 CFO
3 John 1156 3 John 54 Administrativo
4 Joe 1570 4 Joe 66 Técnico
5 Jack 1223 6 Jacob 38 Técnico
6 Jacob 1462 7 Mary 53 Técnico
7 Mary 1641 8 Kate 56 Técnico
8 Kate 1603 9 Jacqueline 55 Técnico
10 Ivy 43 TécnicoNótese que en un ejemplo real, todas las identificaciones serán únicas, pero los nombres pueden repetirse. También ten en cuenta que ‘Jack’ falta en la segunda tabla (ni su edad ni su posición están disponibles) y ‘Jacqueline’ y ‘Ivy’ faltan en la primera (sus salarios mensuales no están disponibles con los datos actuales).
Inner join
Un inner join (en realidad un natural join), es la unión de conjuntos de datos más habitual que se puede realizar. Consiste en fusionar dos data frames en uno que contenga los elementos comunes de ambos, como se describe en la siguiente ilustración:
Para fusionar o unir los dos conjuntos de datos de muestra, solo tienes que pasarlos a la función merge, sin la necesidad de cambiar otros argumentos, debido a que, de manera predeterminada, la función combina los conjuntos de datos por los nombres de las columnas comunes. En consecuencia, en este caso la función fusiona los datos por dos columnas (id y nombre).
merge(x = df_1, y = df_2)
merge(x = df_1, y = df_2, by = c("id", "nombre")) # Equivalente id nombre salario_mensual edad puesto
1 Andrew 1424 40 CTO
2 Susan 1425 38 CFO
3 John 1156 54 Administrativo
4 Joe 1570 66 Técnico
6 Jacob 1462 38 Técnico
7 Mary 1641 53 Técnico
8 Kate 1603 56 TécnicoTal y como dijimos antes, ‘Jack’, ‘Ivy’ y ‘Jacqueline’ no están en ambos conjuntos de datos. En consecuencia, sus datos no están presentes en la salida resultante de esta unión.
Full (outer) join
El outer join, o unión completa, combina todas las columnas de ambos conjuntos de datos en uno para todos los elementos:
Para crear el full outer join de dos data frames en R tienes que establecer el argumento all como TRUE:
merge(x = df_1, y = df_2, all = TRUE) id nombre salario_mensual edad puesto
1 Andrew 1424 40 CTO
2 Susan 1425 38 CFO
3 John 1156 54 Administrativo
4 Joe 1570 66 Técnico
5 Jack 1223 NA <NA> # <-- valores NA
6 Jacob 1462 38 Técnico
7 Mary 1641 53 Técnico
8 Kate 1603 56 Técnico
9 Jacqueline NA 55 Técnico # <-- valores NA
10 Ivy NA 43 Técnico # <-- valores NAComo no todas las filas en el primer data frame coinciden con todas las filas en el segundo, en la salida aparecen valores NA en esos casos.
Left (outer) join
El left join en R consiste en unir todas las filas del primer data frame con los valores correspondientes del segundo. Recuerda que ‘Jack’ estaba en el primer conjunto de datos pero no en el segundo.
Para crear la unión, tienes que establecer all.x = TRUE como sigue:
merge(x = df_1, y = df_2, all.x = TRUE) id nombre salario_mensual edad puesto
1 Andrew 1424 40 CTO
2 Susan 1425 38 CFO
3 John 1156 54 Administrativo
4 Joe 1570 66 Técnico
5 Jack 1223 NA <NA> # <-- Valores NA
6 Jacob 1462 38 Técnico
7 Mary 1641 53 Técnico
8 Kate 603 56 TécnicoComo el empleado que se corresponde al id = 5 está en el primer data frame pero no en el segundo, los correspondientes valores faltantes se representan como NA.
Right (outer) join
El right join en R es lo opuesto al left outer join. En este caso, la combinación consiste en unir todas las filas del segundo data frame con las correspondientes en el primero.
En consecuencia, necesitarás establecer el argumento all.y como TRUE para unir los data frames de esta manera.
merge(x = df_1, y = df_2, all.y = TRUE) id nombre salario_mensual edad puesto
1 Andrew 1424 40 CTO
2 Susan 1425 38 CFO
3 John 1156 54 Administrativo
4 Joe 1570 66 Técnico
6 Jacob 1462 38 Técnico
7 Mary 1641 53 Técnico
8 Kate 1603 56 Técnico
9 Jacqueline NA 55 Técnico # <-- Nótese la diferencia
10 Ivy NA 43 Técnico # <-- respecto al left joinComo ‘Jacqueline’ y ‘ Ivy’ están en el segundo conjunto de datos pero no en el primero, los valores correspondientes de salario mensual no están disponibles.
Cross join
El cross join o unión cruzada, realiza el producto cartesiano de los conjuntos de datos, en este caso de df_1 y df_2:
Puedes crear un cross join en R estableciendo como NULL el argumento by de la función merge. Ten en cuenta que mostramos las primeras filas del output porque el resultado completo es muy grande.
Merged <- merge(x = df_1, y = df_2, by = NULL)
head(Merged) id.x nombre.x salario_mensual id.y nombre.y edad puesto
1 Andrew 1424 1 Andrew 40 CTO
2 Susan 1425 1 Andrew 40 CTO
3 John 1156 1 Andrew 40 CTO
4 Joe 1570 1 Andrew 40 CTO
5 Jack 1223 1 Andrew 40 CTO
6 Jacob 1462 1 Andrew 40 CTOUnir filas con la función merge en R
También puedes unir data frames por los nombres de las filas. Como ejemplo, considera los siguientes conjuntos de datos:
df1 <- data.frame(var = c("uno", "dos", "tres", "cuatro", "cinco"),
datos = c(1, 5, 1, 6, 8))
rownames(df1) <- c("A", "B", "C", "D", "E")
df1
df2 <- data.frame(var = c("tres", "uno", "ocho", "dos", "nueve"),
datos = c(1, 5, 1, 6, 8))
rownames(df2) <- c("E", "A", "B", "D", "C")
df2# df1 # df2
var datos var datos
A uno 1 E tres 1
B dos 5 A uno 5
C tres 1 B ocho 1
D cuatro 6 D dos 6
E cinco 8 C nueve 8En este caso, para unir los data frames según los nombres de las filas tienes que establecer el argumento by como 0 o como "row.names".
merge(df1, df2, by = 0, all = TRUE)
merge(df1, df2, by = "row.names", all = TRUE) # Equivalente Row.names var.x datos.x var.y datos.y
1 A uno 1 uno 5
2 B dos 5 ocho 1
3 C tres 1 nueve 8
4 D cuatro 6 dos 6
5 E cinco 8 tres 1Como puedes observar, la salida contiene tantas filas como nombres de fila distintos hay. Ten en cuenta que se ha aplicado un outer join (ya que en este caso es equivalente a un left o right join), pero puedes unir los datos como quieras.
Unir más de dos data frames en R
Por último, cabe mencionar que puedes unir iterativamente data frames en R, concatenando la función merge. Considera, por ejemplo, los siguientes conjuntos de datos:
x <- data.frame(id = 1:4, año = 1995:1998)
x
y <- data.frame(id = c(4, 1, 3, 2),
año = c(1998, 1995, 1997, 1996),
edad = c(22, 25, 23, 24))
y
z <- data.frame(id = c(1, 2, 3),
año = 1995:1997,
salario = c(1000, 1200, 1599))
z# x # y # z
id año id año edad id año salario
1 1995 4 1998 22 1 1995 1000
2 1996 1 1995 25 2 1996 1200
3 1997 3 1997 23 3 1997 1599
4 1998 2 1996 24Puedes unir los tres data frames fusionando primero dos y uniendo la salida con el tercer conjunto de datos.
merge(x, merge(y, z))id año edad salario
1 1995 25 1000
2 1996 24 1200
3 1997 23 1599Ten en cuenta que puedes especificar los argumentos que prefieras para cada combinación y que puedes concatenar tantos merge como necesites.
merge(x, merge(y, z, all = TRUE), all = TRUE)id año edad salario
1 1995 25 1000
2 1996 24 1200
3 1997 23 1599
4 1998 22 NAUna alternativa más limpia es usar la función Reduce, de manera que en lugar de concatenar las funciones merge, se pasan los data frames en una lista. Sin embargo, en este caso tendrás que establecer los mismos argumentos para todas las uniones.
Reduce(function(x, y) merge(x, y), list(x, y, z))id año edad salario
1 1995 25 1000
2 1996 24 1200
3 1997 23 1599
