Unir tabelas é uma prática corriqueira com bases de dados. Para unir tabelas, é necessário que duas tabelas diferentes possuam uma coluna em comum, a quem vamos chamar de identificador. O pacote base do R fornece uma função que executa essa ação, chamada merge(). Porém, há alguns tipos de junções não podem ser executados com esta função, o que nos levará ao uso de vetores lógicos em conjunto com a função interaction().

Mostraremos exemplos com essas duas maneiras.

Dados para nossa prática

Utilizaremos três tabelas para esta prática:

1. O data.frame tab1 possui nomes de famílias, gêneros e epítetos específicos de algumas angiospermas:

familia <- c("Burseraceae", "Solanaceae","Sapindaceae", "Rubiaceae", "Lauraceae")
generos <- c("Protium", "Trattinnickia", "Dacryodes", "Duckeodendron", "Markea", "Solanum", "Allophylastrum", "Cupania", "Thinouia", "Psychotria", "Duroia", "Cinchona", "Ocotea", "Licaria", "Rhodostemonodaphne", "Anisophyllea", "Freziera")
epitetos <- c("aracouchini", "burserifolia", "edilsonii", "cestroides", "ulei", "cyathophorum", "frutescens", "rubiginosa", "myriantha", "viridis", "eriopila", "amazonica", "delicata", "aureosericea","recurva", "manausensis", "carinata")
tab1 <- data.frame(familia = c(rep(familia, each = 3), "Anisophylleaceae", "Pentaphylacaceae"), genero = generos, epiteto = epitetos, stringsAsFactors = FALSE)

2. O data.frame tab2 contem um conjunto pequeno com alguns nomes de famílias, gêneros, e o nome de seus respectivos clados acima dos nomes de ordens segundo o APG (2016):

familia2 <- c("Burseraceae", "Solanaceae","Sapindaceae", "Rubiaceae", "Annonaceae")
generos2  <- c("Protium", "Duckeodendron", "Thinouia", "Psychotria", "Guatteria")
clado <- c("Malvids", "Lamiids", "Malvids", "Lamiids", "Magnoliids")
tab2 <- data.frame(familia = familia2, genero = generos2, clado = clado, stringsAsFactors = FALSE)

3. O data.frame tab3 corresponde à tabela 2, tab2, sem as famílias Solanaceae e Rubiaceae:

tab3 <- subset(tab1, familia  %in% c("Burseraceae", "Sapindaceae"))

Unindo tabelas com merge()

O básico para entender a função merge() é saber que existem dois argumentos, x e y, que correspondem aos data.frames de entrada. Quando unimos tabelas, existem junções que adicionam variáveis, e junções que filtram variáveis. Vamos ver abaixo 4 tipos da primeira ( junção interna, junção à esquerda, junção à direita, junção total), e dois tipos desta última ( semijunção e antijunção).

Junção interna

ao juntarmos tabelas x e y, temos todas as linhas de x em que há valores em comum com y, e todas as colunas de x e y. Se houver múltiplas correspondências entre x e y, todas as combinações retornam.

Em nosso exemplo, vamos unir as tabelas 1 e 2. Ambas possuem em comum os identificadores familia e genero. Para facilitar o entendimento, vamos verificar primeiro cada tabela com cores para checar as correspondências entre x e y nas variáveis em comum:

Reparem que os valores em que há correspondência entre x e y estão coloridos de amarelo; para os em que não há correspondência, estão coloridos de vermelho. Agora, executemos a junção das duas tabelas:

merge(x = tab1, y = tab2)

##       familia        genero     epiteto   clado
## 1 Burseraceae       Protium aracouchini Malvids
## 2   Rubiaceae    Psychotria     viridis Lamiids
## 3 Sapindaceae      Thinouia   myriantha Malvids
## 4  Solanaceae Duckeodendron  cestroides Lamiids

Vejam que houve a incorporação dos valores da coluna epiteto, presente apenas na tabela 2, em que há correspondência entre as tabelas 1 e 2. É importante notar que as famílias Lauraceae, Anisophylleaceae, e Pentaphylacaceae ficaram de fora, pois não são encontradas na tabela y, isto é, a tabela 2, assim como seus respectivos gêneros e epítetos associados a estes. Gêneros presentes na tabela 1 de famílias em comum entre ambas as tabelas também não foram incorporados nessa junção, pois nãp encontram correspondência na tabela 2: Dacryodes, Trattinnickia, Markea, Solanum, Allophylastrum, Cupania, Duroia, Cinchona. Revejam o conceito de junção interna para entender o porquê desse acontecimento.

Junção à esquerda

ao juntarmos tabelas x e y, temos todas as linhas de x, e todas as colunas de x e y. Linhas em x sem correspência em y terão valores NA adicionados nas novas colunas. Se houver múltiplas correspondências entre x e y, todas as combinações retornam.

Continuaremos utilizando as tabelas 1 e 2. Como mostrado anteriormente, ambas possuem em comum os identificadores familia e genero. Chequemos novamente as cores das correspondências dentro de cada identificador, coloridas em amarelo:

Em uma junção à esquerda, todas as linhas de x retornam após a junção. Para executar este tipo de junção, acrescentaremos um novo argumento, all.x = TRUE, indicando que manteremos todas as linhas de x, isto é, o data.frame à esquerda, que é a tabela 1.

merge(x = tab1, y = tab2, all.x = TRUE)

##             familia             genero      epiteto   clado
## 1  Anisophylleaceae       Anisophyllea  manausensis    <NA>
## 2       Burseraceae          Dacryodes    edilsonii    <NA>
## 3       Burseraceae            Protium  aracouchini Malvids
## 4       Burseraceae      Trattinnickia burserifolia    <NA>
## 5         Lauraceae            Licaria aureosericea    <NA>
## 6         Lauraceae             Ocotea     delicata    <NA>
## 7         Lauraceae Rhodostemonodaphne      recurva    <NA>
## 8  Pentaphylacaceae           Freziera     carinata    <NA>
## 9         Rubiaceae           Cinchona    amazonica    <NA>
## 10        Rubiaceae             Duroia     eriopila    <NA>
## 11        Rubiaceae         Psychotria      viridis Lamiids
## 12      Sapindaceae     Allophylastrum   frutescens    <NA>
## 13      Sapindaceae            Cupania   rubiginosa    <NA>
## 14      Sapindaceae           Thinouia    myriantha Malvids
## 15       Solanaceae      Duckeodendron   cestroides Lamiids
## 16       Solanaceae             Markea         ulei    <NA>
## 17       Solanaceae            Solanum cyathophorum    <NA>

Agora, temos uma nova situação. Para os valores de x sem correspondência em y, valores NA são acrescentados. Reparem na coluna clado e vejam que isso ocorreu apenas nesta variável. Por exemplo, vejam a família Anisophylleaceae. Ela ocorre apenas na tabela 1 e, portanto, não possui nenhum valor de cladoa ssociado a ela, pois esta variável ocorre apenas na tabela 2. Com a junção das tabelas, essa variável é retida, porém sem a existência de um valor para a família, é inserido então o valor NA. Temos também o caso de Annonaceae, presente na tabela 2. A família não é recuperada na junção interna, pois ela não existe na tabela 1 dentro da variável familia e, portanto, não apresenta correspondência com nenhum dado da tabela 1. Revejam o conceito de junção à esquerda para entender o porquê desse acontecimento.

Junção à direita

ao juntarmos tabelas x e y, temos todas as linhas de y, e todas as colunas de x e y.Linhas em y sem correspência em x terão valores NA adicionados nas novas colunas. Se houver múltiplas correspondências entre x e y, todas as combinações retornam.

De maneira oposta à junção à esquerda, na junção à direita são mantidas todas as linhas de y. Desta vez, o argumento a ser utilizado é all.y = TRUE. Antes de executar a junção, vamos checar novamente as variáveis em comum e correspondências entre as tabelas x e y:

Agora executaremos a junção com o comando abaixo. Não deixem de reparar no uso do argumento all.y = TRUE, pois ele é o responsável por agora manter todas as linhas da tabela 2 (== y):

merge(x = tab1, y = tab2, all.y = TRUE)

##       familia        genero     epiteto      clado
## 1  Annonaceae     Guatteria        <NA> Magnoliids
## 2 Burseraceae       Protium aracouchini    Malvids
## 3   Rubiaceae    Psychotria     viridis    Lamiids
## 4 Sapindaceae      Thinouia   myriantha    Malvids
## 5  Solanaceae Duckeodendron  cestroides    Lamiids

Notem que agora todos os dados da tabela 2 foram mantidos. Houve a inserção de um valor NA para a família Annonaceae na variável epiteto, pois esta variável não está presente na tabela 2. Revejam o conceito de junção à direita para entender o porquê desse acontecimento.

Junção total

ao juntarmos tabelas x e y, temos todas as linhas e colunas de x e y. Onde não houver valores correspondentes, valores NA serão colocados nesses lugares.

Em uma junção total, uniremos todas as linha de x e y utilizando o argumento all = TRUE.

merge(x = tab1, y = tab2, all = TRUE)

##             familia             genero      epiteto      clado
## 1  Anisophylleaceae       Anisophyllea  manausensis       <NA>
## 2        Annonaceae          Guatteria         <NA> Magnoliids
## 3       Burseraceae          Dacryodes    edilsonii       <NA>
## 4       Burseraceae            Protium  aracouchini    Malvids
## 5       Burseraceae      Trattinnickia burserifolia       <NA>
## 6         Lauraceae            Licaria aureosericea       <NA>
## 7         Lauraceae             Ocotea     delicata       <NA>
## 8         Lauraceae Rhodostemonodaphne      recurva       <NA>
## 9  Pentaphylacaceae           Freziera     carinata       <NA>
## 10        Rubiaceae           Cinchona    amazonica       <NA>
## 11        Rubiaceae             Duroia     eriopila       <NA>
## 12        Rubiaceae         Psychotria      viridis    Lamiids
## 13      Sapindaceae     Allophylastrum   frutescens       <NA>
## 14      Sapindaceae            Cupania   rubiginosa       <NA>
## 15      Sapindaceae           Thinouia    myriantha    Malvids
## 16       Solanaceae      Duckeodendron   cestroides    Lamiids
## 17       Solanaceae             Markea         ulei       <NA>
## 18       Solanaceae            Solanum cyathophorum       <NA>

Reparem que valores NA são colocados nos valores da tabela 2 referentes à coluna epiteto, ausente na tabela 1. O mesmo se passa com valores da coluna clado, presente na tabela 2 e ausente na tabela 1. Revejam o conceito de junção total para entender o porquê desse acontecimento.

Semijunção

ao juntarmos tabelas x e y, temos todas as linhas de x onde houver valores correspondentes em y, mantendo apenas colunas de x. É parecida com a junção interna, porém difere desta por nunca duplicar valores de x, retornando sempre apenas valores de x que houver uma correspondência em y.

A semijunção é muito similar à junção interna, diferindo desta por não incorporar as colunas de y, pois apenas utiliza esta tabela para filtrar os dados de x, constituindo-se então em um tipo de junção que filtra variáveis. Neste exemplo, utilizaremos as tabelas 1 e 3. Ambas compartilham as colunas familia e genero. Vamos checar primeiramente cada tabela e ver o que é compartilhado entre cada uma:

Para executar uma semijunção com o pacote base do R, devemos fazer uso de vetores lógicos e da função interaction(), pois a função merge() não fornece uma maneira de se obter o que desejamos.

Vamos então à prática¹. As colunas compartilhadas por ambas as tabelas serão nossas chaves:

chaves <- c("familia", "genero")

Partimos então para filtrar na tabela 1 a combinação de linhas para esse conjunto de colunas utilizando a função interaction() do pacote base do R:

interaction(tab1[, chaves])

##  [1] Burseraceae.Protium           Burseraceae.Trattinnickia    
##  [3] Burseraceae.Dacryodes         Solanaceae.Duckeodendron     
##  [5] Solanaceae.Markea             Solanaceae.Solanum           
##  [7] Sapindaceae.Allophylastrum    Sapindaceae.Cupania          
##  [9] Sapindaceae.Thinouia          Rubiaceae.Psychotria         
## [11] Rubiaceae.Duroia              Rubiaceae.Cinchona           
## [13] Lauraceae.Ocotea              Lauraceae.Licaria            
## [15] Lauraceae.Rhodostemonodaphne  Anisophylleaceae.Anisophyllea
## [17] Pentaphylacaceae.Freziera    
## 119 Levels: Anisophylleaceae.Allophylastrum ... Solanaceae.Trattinnickia

Essa função computa um vetor de fatores que representa a interação das colunas fornecidas na tabela 1. Se fizermos isso com a tabela 3, poderemos saber quais combinações ocorrem em ambas as tabelas.

interaction(tab3[, chaves])

## [1] Burseraceae.Protium        Burseraceae.Trattinnickia 
## [3] Burseraceae.Dacryodes      Sapindaceae.Allophylastrum
## [5] Sapindaceae.Cupania        Sapindaceae.Thinouia      
## 12 Levels: Burseraceae.Allophylastrum ... Sapindaceae.Trattinnickia

Agora utilizamos a mesma função interaction e o operador %in% para retornar um vetor lógico que utilizaremos para filtrar os valores da tabela 1 com correspondência na tabela 3.

linhas <- interaction(tab1[, chaves]) %in% interaction(tab3[, chaves])
linhas

##  [1]  TRUE  TRUE  TRUE FALSE FALSE FALSE  TRUE  TRUE  TRUE FALSE FALSE FALSE
## [13] FALSE FALSE FALSE FALSE FALSE

tab1[linhas,]

##       familia         genero      epiteto
## 1 Burseraceae        Protium  aracouchini
## 2 Burseraceae  Trattinnickia burserifolia
## 3 Burseraceae      Dacryodes    edilsonii
## 7 Sapindaceae Allophylastrum   frutescens
## 8 Sapindaceae        Cupania   rubiginosa
## 9 Sapindaceae       Thinouia    myriantha

Antijunção

retorna todas as linhas de x em que não há correspondência em y, mantendo apenas colunas de x.

Uma antijunção é ligeiramente diferente de uma semijunção pois ela retorna todas as linhas de x que não aparecem em y. Portanto, podemos utilizar o inverso de nosso vetor lógico linhas e utilizar este inverso para filtrar as linhas da tabela 1 e ter nossa tabela antijunção entre x e y:

antilinhas <- !linhas
tab1[antilinhas, ]

##             familia             genero      epiteto
## 4        Solanaceae      Duckeodendron   cestroides
## 5        Solanaceae             Markea         ulei
## 6        Solanaceae            Solanum cyathophorum
## 10        Rubiaceae         Psychotria      viridis
## 11        Rubiaceae             Duroia     eriopila
## 12        Rubiaceae           Cinchona    amazonica
## 13        Lauraceae             Ocotea     delicata
## 14        Lauraceae            Licaria aureosericea
## 15        Lauraceae Rhodostemonodaphne      recurva
## 16 Anisophylleaceae       Anisophyllea  manausensis
## 17 Pentaphylacaceae           Freziera     carinata

Para saber mais

• Join in R;
• Tudo sobre Joins (merge) em R;
• Join com dplyr;
• Entendendo o JOIN do SQL (ou Junções) - Obtive as imagens aqui apresentadas desta página. Há uma boa explicação com SQL como pano de fundo para operações de junções de tabela.

Referências