{"id":440,"date":"2014-07-03T14:39:58","date_gmt":"2014-07-03T19:39:58","guid":{"rendered":"http:\/\/blog.espol.edu.ec\/nemo\/?p=440"},"modified":"2014-07-04T17:42:12","modified_gmt":"2014-07-04T22:42:12","slug":"diferencias-entre-in-y-match-o-del-como-hacer-una-actualizacion-condicional-de-valores-dentro-de-un-data-frame-utilizando-valores-de-otro-data-frame-parte-1","status":"publish","type":"post","link":"https:\/\/blog.espol.edu.ec\/nemo\/2014\/07\/03\/diferencias-entre-in-y-match-o-del-como-hacer-una-actualizacion-condicional-de-valores-dentro-de-un-data-frame-utilizando-valores-de-otro-data-frame-parte-1\/","title":{"rendered":"Diferencias entre %in% y match o del como hacer una actualizaci\u00f3n condicional de valores dentro de un data.frame utilizando valores de otro data.frame (Parte 1)"},"content":{"rendered":"
\"Actualizar<\/a>

Actualizar data.frame utilizando como referencia otro data.frame<\/p><\/div>\n

Escribo este post como respuesta a una pregunta de un colega y adem\u00e1s porque sirve muy bien como ejemplo para entender un poco m\u00e1s del indexado de R.<\/p>\n

Problema<\/h2>\n

Supongamos que tenemos las calificaciones de un curso en un data.frame, algo as\u00ed como:<\/p>\n

\n
\n
# Declarar una semilla para reproducibilidad del ejemplo<\/span>\r\nset.seed<\/span><\/a>(<\/span>5<\/span>)<\/span>\r\n# crear un data.frame base<\/span>\r\ndf_base <- data.frame<\/span><\/a>(<\/span>Alum = LETTERS<\/span>[<\/span>1<\/span>:6<\/span>]<\/span>,<\/span> Mat = sample<\/span><\/a>(<\/span>x = 1<\/span>:10<\/span>,<\/span> size = 6<\/span>,<\/span> \r\n    replace<\/span><\/a> = TRUE<\/span>)<\/span>,<\/span> Len = sample<\/span><\/a>(<\/span>x = 1<\/span>:10<\/span>,<\/span> size = 6<\/span>,<\/span> replace<\/span><\/a> = TRUE<\/span>)<\/span>)<\/span>\r\n# presentar data.frame<\/span>\r\ndf_base\r\n##   Alum Mat Len<\/span>\r\n## 1    A   3   6<\/span>\r\n## 2    B   7   9<\/span>\r\n## 3    C  10  10<\/span>\r\n## 4    D   3   2<\/span>\r\n## 5    E   2   3<\/span>\r\n## 6    F   8   5<\/span><\/pre>\n<\/div>\n<\/div>\n
Pero luego de una recalificaci\u00f3n debemos cambiar las notas de matem\u00e1ticas a los alumnos C, E y F seg\u00fan lo siguiente:<\/span><\/p>\n
\n
\n
# crear un data.frame que contendra los valores a modificar<\/span>\r\ndf_modificatorio <- data.frame<\/span><\/a>(<\/span>Alum = c<\/span><\/a>(<\/span>\"E\"<\/span>,<\/span> \"C\"<\/span>)<\/span>,<\/span> Mat = c<\/span><\/a>(<\/span>99<\/span>,<\/span> 88<\/span>)<\/span>)<\/span>\r\n# presentar data.frame<\/span>\r\ndf_modificatorio\r\n##   Alum Mat<\/span>\r\n## 1    E  99<\/span>\r\n## 2    C  88\r\n<\/span><\/pre>\n<\/div>\n<\/div>\n
\u00bfQue opciones hay para hacerlo en R?<\/p>\n
Soluciones<\/h2>\n
Reemplazo uno a uno<\/h2>\n
Bueno, si fuesen pocos elementos lo m\u00e1s sencillo es hacerlo observaci\u00f3n a observaci\u00f3n filtrando en este caso el alumno y la variable que se va a modificar, en R ser\u00eda:<\/p>\n
\n
\n
# filtrar por cada elemento a modificar y asignar el nuevo valor<\/span>\r\ndf_base[<\/span>df_base$Alum == c<\/span><\/a>(<\/span>\"E\"<\/span>)<\/span>,<\/span> \"Mat\"<\/span>]<\/span> <- 99<\/span>\r\ndf_base[<\/span>df_base$Alum == c<\/span><\/a>(<\/span>\"C\"<\/span>)<\/span>,<\/span> \"Mat\"<\/span>]<\/span> <- 88<\/span>\r\n# presentar data.frame con valores modificados<\/span>\r\ndf_base\r\n##   Alum Mat Len<\/span>\r\n## 1    A   3   6<\/span>\r\n## 2    B   7   9<\/span>\r\n## 3    C  88  10<\/span>\r\n## 4    D   3   2<\/span>\r\n## 5    E  99   3<\/span>\r\n## 6    F   8   5\r\n<\/span><\/pre>\n<\/div>\n<\/div>\n
Pero obviamente esto no es una opci\u00f3n a considerar si son muchos reemplazos a la vez o si lo que se quiere es realizar un script donde el data.frame df_modificatorio cambiar\u00e1 a cada ejecuci\u00f3n del script, por lo que pasamos a la siguiente opci\u00f3n<\/p>\n
Reemplazo por conjunto de valores y filtrando por una s\u00f3la variable (esta soluci\u00f3n tiene limitantes)<\/h2>\n
\u00a1\u00a1\u00a1Peligro, No usar el operador\u00a0<\/span>%in%<\/code>!!!<\/h3>\n
Normalmente cuando se desea hacer un filtro para varios elementos se usa el operador\u00a0<\/span>%in%<\/code>, pero en este caso este oprador nos puede llevar a cometer errores puesto que\u00a0<\/span>%in%<\/code>\u00a0<\/span>devuelve todos los valores coincidentes pero en el orden del data.frame original y si por un lado tenemos los valores en el orden original (df_base<\/code>) y por el otro los valores ordenados de otra forma (df_modificatorio<\/code>) entonces asignaremos erroneamente los valores, lo explico mejor en el bloque de c\u00f3digo<\/span><\/span>
\n<\/span><\/p>\n
\n
\n
# Creamos nuevamente el data.frame df_base<\/span>\r\nset.seed<\/span><\/a>(<\/span>5<\/span>)<\/span>\r\ndf_base <- data.frame<\/span><\/a>(<\/span>Alum = LETTERS<\/span>[<\/span>1<\/span>:6<\/span>]<\/span>,<\/span> Mat = sample<\/span><\/a>(<\/span>x = 1<\/span>:10<\/span>,<\/span> size = 6<\/span>,<\/span> \r\n    replace<\/span><\/a> = TRUE<\/span>)<\/span>,<\/span> Len = sample<\/span><\/a>(<\/span>x = 1<\/span>:10<\/span>,<\/span> size = 6<\/span>,<\/span> replace<\/span><\/a> = TRUE<\/span>)<\/span>)<\/span>\r\ndf_base\r\n##   Alum Mat Len<\/span>\r\n## 1    A   3   6<\/span>\r\n## 2    B   7   9<\/span>\r\n## 3    C  10  10<\/span>\r\n## 4    D   3   2<\/span>\r\n## 5    E   2   3<\/span>\r\n## 6    F   8   5<\/span>\r\n# que pasa si usamos la funcion %in%?  Pues se nos devuelven los valores<\/span>\r\n# que queremos pero en el orden original, osea C,D<\/span>\r\ndf_base[<\/span>df_base$Alum %in% df_modificatorio$Alum,<\/span> ]<\/span>\r\n##   Alum Mat Len<\/span>\r\n## 3    C  10  10<\/span>\r\n## 5    E   2   3<\/span>\r\n# utilizar %in% para realizar la asignaci\u00f3n:<\/span>\r\ndf_base[<\/span>df_base$Alum %in% df_modificatorio$Alum,<\/span> \"Mat\"<\/span>]<\/span> <- \r\n          df_modificatorio[<\/span>df_modificatorio$Alum %in% df_base$Alum,<\/span> \"Mat\"<\/span>]<\/span>\r\n# Presentar df_base, se puede ver el error que involucra usar %in% pues en<\/span>\r\n# lugar de asignar 88 al C y 99 al E, hizo lo contrario<\/span>\r\ndf_base\r\n##   Alum Mat Len<\/span>\r\n## 1    A   3   6<\/span>\r\n## 2    B   7   9<\/span>\r\n## 3    C  99  10<\/span>\r\n## 4    D   3   2<\/span>\r\n## 5    E  88   3<\/span>\r\n## 6    F   8   5<\/span>\r\n# Paso a Paso la operacion anterior: Filtrar los alumnos de df_base que<\/span>\r\n# estan en df_modificatorio<\/span>\r\ndf_base[<\/span>df_base$Alum %in% df_modificatorio$Alum,<\/span> ]<\/span>\r\n##   Alum Mat Len<\/span>\r\n## 3    C  99  10<\/span>\r\n## 5    E  88   3<\/span>\r\n# Paso a Paso la operacion anterior: Filtrar los alumnos de df_base que<\/span>\r\n# estan en df_modificatorio mostrando s\u00f3lo los valores de la variable<\/span>\r\n# 'Mat'<\/span>\r\ndf_base[<\/span>df_base$Alum %in% df_modificatorio$Alum,<\/span> \"Mat\"<\/span>]<\/span>\r\n## [1] 99 88<\/span>\r\n# Paso a Paso la operacion anterior: Filtrar los alumnos de<\/span>\r\n# df_modificatorio que estan en df_base mostrando s\u00f3lo los valores de la<\/span>\r\n# variable 'Mat'<\/span>\r\ndf_modificatorio[<\/span>df_modificatorio$Alum %in% df_base$Alum,<\/span> \"Mat\"<\/span>]<\/span>\r\n## [1] 99 88<\/span>\r\n# Se puede ver entonces, el porque el uso de %in% nos lleva a cometer<\/span>\r\n# errores.\r\n<\/span><\/pre>\n<\/div>\n<\/div>\n
Solucion parcial: funci\u00f3n\u00a0<\/span>match<\/code><\/h2>\n
En este caso nos sirve bien la funci\u00f3n\u00a0<\/span>match<\/code>, en resumen la funcion\u00a0<\/span>match<\/code>\u00a0<\/span>devuelve los valores\u00a0<\/span>en orden<\/em>\u00a0<\/span>que contienen cada uno de los valores buscados; esta funci\u00f3n tiene otras restricciones que se comentar\u00e1n luego<\/p>\n
\n
\n
# Creamos nuevamente el data.frame df_base<\/span>\r\nset.seed<\/span><\/a>(<\/span>5<\/span>)<\/span>\r\ndf_base <- data.frame<\/span><\/a>(<\/span>Alum = LETTERS<\/span>[<\/span>1<\/span>:6<\/span>]<\/span>,<\/span> Mat = sample<\/span><\/a>(<\/span>x = 1<\/span>:10<\/span>,<\/span> size = 6<\/span>,<\/span> \r\n    replace<\/span><\/a> = TRUE<\/span>)<\/span>,<\/span> Len = sample<\/span><\/a>(<\/span>x = 1<\/span>:10<\/span>,<\/span> size = 6<\/span>,<\/span> replace<\/span><\/a> = TRUE<\/span>)<\/span>)<\/span>\r\ndf_base\r\n##   Alum Mat Len<\/span>\r\n## 1    A   3   6<\/span>\r\n## 2    B   7   9<\/span>\r\n## 3    C  10  10<\/span>\r\n## 4    D   3   2<\/span>\r\n## 5    E   2   3<\/span>\r\n## 6    F   8   5<\/span>\r\n# filtrar usando de la funci\u00f3n match(), n\u00f3tese respeta el orden original<\/span>\r\n# del data.frame baseicamente, se le est\u00e1 diciendo buscame los valores del<\/span>\r\n# df_modificatorio variable Alum en la tabla df_base variable Alum se hace<\/span>\r\n# df_modificatorio[ df_modificatorio$Alum %in% df_base$Alum, 'Alum' ]) en<\/span>\r\n# lugar de df_modificatorio$Alum para asegurar que s\u00f3lo se tome en cuenta<\/span>\r\n# los valores de df_modificatorio$Alum tiene algun valor que no esta en<\/span>\r\n# df_base$Alum<\/span>\r\ndf_base[<\/span>match<\/span><\/a>(<\/span>x = df_modificatorio[<\/span>df_modificatorio$Alum %in% df_base$Alum,<\/span> \r\n    \"Alum\"<\/span>]<\/span>,<\/span> table<\/span><\/a> = df_base$Alum,<\/span> nomatch = FALSE<\/span>)<\/span>,<\/span> ]<\/span>\r\n##   Alum Mat Len<\/span>\r\n## 5    E   2   3<\/span>\r\n## 3    C  10  10<\/span>\r\n# utilizar match para realizar la asignaci\u00f3n, la parte izquierda de la<\/span>\r\n# asignacion (<-) se utiliza match pues queremos los elementos de df_base<\/span>\r\n# en el orden de df_modifcatorio mientras que para la parte derecha de la<\/span>\r\n# asignacion (<-) se utiliza %in% pues queremos conservar el orden de<\/span>\r\n# df_modifcatorio<\/span>\r\ndf_base[<\/span>match<\/span><\/a>(<\/span>x = df_modificatorio[<\/span>df_modificatorio$Alum %in% df_base$Alum,<\/span> \r\n    \"Alum\"<\/span>]<\/span>,<\/span> table<\/span><\/a> = df_base$Alum,<\/span> nomatch = FALSE<\/span>)<\/span>,<\/span> \"Mat\"<\/span>]<\/span> <- \r\ndf_modificatorio[<\/span>df_modificatorio$Alum %in% \r\n    df_base$Alum,<\/span> \"Mat\"<\/span>]<\/span>\r\n# presentar data.frame con valores modificados<\/span>\r\ndf_base\r\n##   Alum Mat Len<\/span>\r\n## 1    A   3   6<\/span>\r\n## 2    B   7   9<\/span>\r\n## 3    C  88  10<\/span>\r\n## 4    D   3   2<\/span>\r\n## 5    E  99   3<\/span>\r\n## 6    F   8   5\r\n\r\n<\/span><\/pre>\n<\/div>\n<\/div>\n
Problemas\/Limitaciones de la funci\u00f3n\u00a0<\/span>match<\/code>.-<\/strong><\/p>\n
Los principales problemas son:<\/p>\n