为什么data.tables的X [Y]联接不允许完全外部联接或左联接？

Question

这是关于data.table连接语法的一个哲学问题。我发现data.tables有越来越多的用途，但仍在学习...X[Y]data.tables的联接格式非常简洁，方便且有效，但是据我所知，它仅支持内部联接和正确的外部联接。要获得左侧或完全外部联接，我需要使用merge：X[Y, nomatch = NA] -Y中的所有行-右外部联接（默认）X[Y, nomatch = 0] -仅X和Y都匹配的行-内部联接merge(X, Y, all = TRUE) -X和Y的所有行-完全外部联接merge(X, Y, all.x = TRUE) -X中的所有行-左外部联接在我看来，如果X[Y]连接格式支持所有4种连接类型，那将很方便。是否仅支持两种类型的联接？对我来说，nomatch = 0和nomatch = NA参数值对于正在执行的动作不是很直观。这是我更容易理解和记忆的merge语法：all = TRUE，all.x = TRUE和all.y = TRUE。由于X[Y]操作merge远不止于match，因此为什么不对merge联接使用语法而不是match函数的nomatch参数呢？以下是4种连接类型的代码示例：# sample X and Y data.tableslibrary(data.table)X <- data.table(t = 1:4, a = (1:4)^2)setkey(X, t)X#    t  a# 1: 1  1# 2: 2  4# 3: 3  9# 4: 4 16Y <- data.table(t = 3:6, b = (3:6)^2)setkey(Y, t)Y#    t  b# 1: 3  9# 2: 4 16# 3: 5 25# 4: 6 36# all rows from Y - right outer joinX[Y]  # default#  t  a  b# 1: 3  9  9# 2: 4 16 16# 3: 5 NA 25# 4: 6 NA 36X[Y, nomatch = NA]  # same as above#    t  a  b# 1: 3  9  9# 2: 4 16 16# 3: 5 NA 25# 4: 6 NA 36merge(X, Y, by = "t", all.y = TRUE)  # same as above#    t  a  b# 1: 3  9  9# 2: 4 16 16# 3: 5 NA 25# 4: 6 NA 36identical(X[Y], merge(X, Y, by = "t", all.y = TRUE))# [1] TRUE# only rows in both X and Y - inner joinX[Y, nomatch = 0]  #    t  a  b# 1: 3  9  9# 2: 4 16 16merge(X, Y, by = "t")  # same as above#    t  a  b# 1: 3  9  9# 2: 4 16 16merge(X, Y, by = "t", all = FALSE)  # same as above#    t  a  b# 1: 3  9  9# 2: 4 16 16identical( X[Y, nomatch = 0], merge(X, Y, by = "t", all = FALSE) )# [1] TRUE# all rows from X - left outer joinmerge(X, Y, by = "t", all.x = TRUE)#    t  a  b# 1: 1  1 NA# 2: 2  4 NA# 3: 3  9  9# 4: 4 16 16# all rows from both X and Y - full outer joinmerge(X, Y, by = "t", all = TRUE)#    t  a  b# 1: 1  1 NA# 2: 2  4 NA# 3: 3  9  9# 4: 4 16 16# 5: 5 NA 25# 6: 6 NA 36更新：data.table v1.9.6引入了on=语法，该语法允许临时连接除主键以外的其他字段。jangorecki对问题的答案如何连接（合并）数据框（内部，外部，左侧，右侧）？提供了data.table可以处理的其他联接类型的一些示例。

Answer 1

引用data.table FAQ 1.11 X[Y]和之间有什么区别merge(X, Y)？

X[Y] 是联接，使用Y（或Y的键，如果有的话）作为索引查找X的行。

Y[X] 是一个联接，使用X（或X的键，如果有的话）查找Y的行

merge(X,Y)同时执行两种方式。X[Y]和的行数Y[X]通常不同，而merge(X,Y)和返回的行数merge(Y,X)相同。

但是错过了要点。大多数任务需要在连接或合并后对数据执行某些操作。为什么合并所有数据列，然后只使用它们的一小部分？您可能会建议  merge(X[,ColsNeeded1],Y[,ColsNeeded2])，但这要求程序员确定需要哪些列。X[Y,jdata.table中的]为您完成所有这些工作。在编写时X[Y,sum(foo*bar)]，data.table会自动检查j表达式以查看其使用的列。它只会将这些列作为子集；其他被忽略。仅为j使用的列创建内存，并且Y列在每个组的上下文中均享受标准的R回收规则。假设fooin中X，bar在中Y（以及中的20个其他列Y）。是不是X[Y,sum(foo*bar)] 比合并所有浪费的子集更快地编写程序和更快地运行？

如果您想要左外连接 X[Y]

le <- Y[X]

mallx <- merge(X, Y, all.x = T)

# the column order is different so change to be the same as `merge`

setcolorder(le, names(mallx))

identical(le, mallx)

# [1] TRUE

如果要完全外部联接

# the unique values for the keys over both data sets

unique_keys <- unique(c(X[,t], Y[,t]))

Y[X[J(unique_keys)]]

##   t  b  a

## 1: 1 NA  1

## 2: 2 NA  4

## 3: 3  9  9

## 4: 4 16 16

## 5: 5 25 NA

## 6: 6 36 NA

# The following will give the same with the column order X,Y

X[Y[J(unique_keys)]]