将一个非空的 data.frame 与一个空的合并时的奇怪行为

Question

我有一个非空数据框 df1

df1 <- structure(list(V1 = 1:4, V2 = 5:8), class = "data.frame", row.names = c(NA, 
-4L))

> df1
  V1 V2
1  1  5
2  2  6
3  3  7
4  4  8

和两个空的数据帧df2.a和df2.b，即

df2.a <- structure(list(V1 = integer(0), V2 = integer(0), V3 = integer(0), V4 = integer(0)), row.names = integer(0), class = "data.frame")


df2.b <- structure(list(V1 = NULL, V2 = NULL, V3 = NULL, V4 = NULL), row.names = c(NA, 0L), class = "data.frame")

where df2.aanddf2.b看起来几乎没有区别（唯一的区别是使用dput(df2.a)and时显示的dput(df2.b)）

> df2.a
[1] V1 V2 V3 V4
<0 rows> (or 0-length row.names)
> df2.b
[1] V1 V2 V3 V4
<0 rows> (or 0-length row.names)

但是，当我尝试df1与df2.aor合并时df2.b，发生了一些奇怪的事情

> merge(df1,df2.a,all = TRUE)
  V1 V2 V3 V4
1  1  5 NA NA
2  2  6 NA NA
3  3  7 NA NA
4  4  8 NA NA

> merge(df1,df2.b,all = TRUE)
  V1 V2 V4
1  1  5 NA
2  2  6 NA
3  3  7 NA
4  4  8 NA

如您所见，V3在df1与合并时被丢弃df2.b，而所需的应该是类似于merge(df1,df2.a,all = TRUE).

有人可以解释一下吗？感谢您在使用mergeoverdf1和df2.b.

Answer 1

这是一个复杂的问题。错误步骤发生在以下行中base::merge：

y <- y[c(m$yi, if (all.x) rep.int(1L, nxx), if (all.y) m$y.alone), 
            -by.y, drop = FALSE]

当您将参数df2.b作为y参数传递给 时merge，这一行实际上会生成一个无效的数据框，正如您在浏览器中所看到的：

Browse[2]> y
#>        V4
#> NA   NULL
#> NA.1 <NA>
#> NA.2 <NA>
#> NA.3 <NA>
#> Warning message:
#> In format.data.frame(if (omit) x[seq_len(n0), , drop = FALSE] else x,  :
#>  corrupt data frame: columns will be truncated or padded with NAs

如果我们通过跟踪逻辑，我们可以看到我们可以通过调用在调试器之外重现错误：

Browse[2]> y
#>        V4
#> NA   NULL
#> NA.1 <NA>
#> NA.2 <NA>
#> NA.3 <NA>
#> Warning message:
#> In format.data.frame(if (omit) x[seq_len(n0), , drop = FALSE] else x,  :
#>  corrupt data frame: columns will be truncated or padded with NAs

然而，我们没有遇到这个问题db2.a：

df2.b[c(1, 1, 1, 1), -c(1:2), drop = FALSE]
#>        V4
#> NA   NULL
#> NA.1 <NA>
#> NA.2 <NA>
#> NA.3 <NA>
#> Warning message:
#> In format.data.frame(if (omit) x[seq_len(n0), , drop = FALSE] else x,  :
#>  corrupt data frame: columns will be truncated or padded with NAs

那么这是为什么呢？尽管打印数据框时df2.a和df2.b看起来相同，但它们并不相同。空的数字向量与NULL. 主要区别（导致问题的那个）是索引一个空的数字向量给你一个非零长度的NA值，而 NULL 给你一个单一的NULL值。

df2.a[c(1, 1, 1, 1), -c(1:2), drop = FALSE]
#>      V3 V4
#> NA   NA NA
#> NA.1 NA NA
#> NA.2 NA NA
#> NA.3 NA NA

所以我想这是预期的行为。问题是 R 完全允许NULL作为数据框列。我很惊讶这种事情不会经常发生。

Answer 2

我跟踪了这​​个问题的原因，发现这个错误出现在以下部分merge.data.frame：

y <- y[c(m$yi, if (all.x) rep.int(1L, nxx), if (all.y) m$y.alone), 
            -by.y, drop = FALSE]

要显示问题，请尝试以下代码：

df2.b[rep(1, 4), -(1:2), drop = FALSE]
#        V4
# NA   NULL
# NA.1 <NA>
# NA.2 <NA>
# NA.3 <NA>
# Warning message:
# In format.data.frame(if (omit) x[seq_len(n0), , drop = FALSE] else x,  :
#   corrupt data frame: columns will be truncated or padded with NAs

df2.a[rep(1, 4), -(1:2), drop = FALSE]
#    V3 V4
# 1: NA NA
# 2: NA NA
# 3: NA NA
# 4: NA NA

因此，此问题是由[.data.frame. 源代码的一部分[.data.frame是：

for (j in seq_along(x)) {
        xj <- xx[[sxx[j]]]
        x[[j]] <- if (length(dim(xj)) != 2L){
            xj[i]
        }else{ xj[i, , drop = FALSE]}
    }

在这里，x是要返回的结果 data.frame。它现在只有 V3 和 V4 列。xx是输入 data.frame 的副本（在我们的例子中是 df2.b）。此 for 循环将首先分配NULL给 的第1 列x。因此，V3在这一步被删除。接下来，for 循环分配NULL给 的第 2 列x。但是，随着 V3 消失，第 2 列没有了。因此，x 不会受到影响。这就是为什么我们会得到意想不到的结果。

如果我们将df1和设置df2.b为data.table，则合并它们将引发错误。似乎data.table::merge对这种情况处理得更严格。错误消息将帮助我们避免获得意外结果。