2014年新增：

特别是如果您还对数据操作感兴趣（包括排序、过滤、子设置、汇总等），那么您应该看看dplyr，它提供了各种功能，所有这些功能都旨在帮助您处理数据帧和某些其他数据库类型。它甚至提供了相当复杂的SQL接口，甚至还提供了一个将（大多数）SQL代码直接转换为R的函数。

dplyr包中的四个连接相关功能是（引用）：

inner_join（x，y，by=NULL，copy=FALSE，…）：返回x，其中y中有匹配的值，以及x和y中的所有列left_join（x，y，by=NULL，copy=FALSE，…）：返回x中的所有行，以及x和y中的所有列semi_join（x，y，by=NULL，copy=FALSE，…）：返回x中存在匹配值的所有行y、 只保留x中的列。anti_join（x，y，by=NULL，copy=FALSE，…）：返回x中的所有行其中y中没有匹配的值，只保留x中的列

这一切都很详细。

可以通过select（df，“column”）来选择列。如果这对您来说还不够SQL，那么还有SQL（）函数，您可以在其中原样输入SQL代码，它将执行您指定的操作，就像您一直在用R编写一样（有关更多信息，请参阅dplyr/databases vignette）。例如，如果应用正确，sql（“SELECT*FROM hflights”）将从“hflights“dplyr表（一个“tbl”）中选择所有列。

我建议您查看Gabor Grothendieck的sqldf包，它允许您用SQL表示这些操作。

library(sqldf)

## inner join
df3 <- sqldf("SELECT CustomerId, Product, State 
              FROM df1
              JOIN df2 USING(CustomerID)")

## left join (substitute 'right' for right join)
df4 <- sqldf("SELECT CustomerId, Product, State 
              FROM df1
              LEFT JOIN df2 USING(CustomerID)")

我发现SQL语法比它的R等效语法更简单和自然（但这可能只是反映了我的RDBMS偏见）。

有关连接的更多信息，请参阅Gabor的sqldfGitHub。

通过使用merge函数及其可选参数：

内部连接：merge（df1，df2）将适用于这些示例，因为R会通过公共变量名自动连接帧，但您很可能希望指定merge（df1，df1，by=“CustomerId”），以确保仅在所需字段上匹配。如果匹配变量在不同的数据帧中具有不同的名称，也可以使用by.x和by.y参数。

外部联接：合并（x=df1，y=df2，by=“CustomerId”，all=TRUE）

左外部：合并（x=df1，y=df2，by=“CustomerId”，all.x=TRUE）

右外部：合并（x=df1，y=df2，by=“CustomerId”，all.y=TRUE）

交叉联接：合并（x=df1，y=df2，by=NULL）

与内部联接一样，您可能希望将“CustomerId”显式传递给R作为匹配变量。我认为几乎总是最好明确说明要合并的标识符；如果输入data.frames发生意外变化，则会更安全，并且以后更容易阅读。

您可以通过给定向量（例如，by=c（“CustomerId”，“OrderId”））合并多个列。

如果要合并的列名不相同，则可以指定，例如，by.x=“CustomerId_in_df1”，by.y=“CustomerId.in_df2”，其中CustomerId_in_df1是第一个数据帧中的列名，CustomerId_in-df2是第二个数据帧的列名。（如果需要合并多个列，这些也可以是向量。）

dplyr从0.4开始实现了包括outer_join在内的所有连接，但值得注意的是，在0.4之前的前几个版本中，因此，在之后的相当长一段时间里，有很多非常糟糕的黑客解决方法用户代码（你仍然可以在那个时期的SO、Kaggle answers和github中找到这样的代码。因此，这个答案仍然有用。）

加入相关发布亮点：

版本0.5（2016年6月）

POSIXct类型、时区、重复项、不同因素级别的处理。更好的错误和警告。新后缀参数，用于控制重复变量名称接收的后缀（#1296）

版本0.4.0（2015年1月）

实施右联接和外联接（#96）可变联接，它从另一个表中的匹配行向一个表添加新变量。过滤联接，根据观察值是否与另一个表中的观察值匹配来过滤一个表的观察值。

版本0.3（2014年10月）

现在可以通过每个表中的不同变量进行left_join：df1%>%left_join（df2，c（“var1”=“var2”））

0.2版（2014年5月）

*_join（）不再重新排序列名（#324）

版本0.1.3（2014年4月）

具有inner_join、left_join、semi_join、anti_joinouter_join尚未实现，回退是使用base:：merge（）（或plyr:：join（））尚未实现right_join和outer_join哈德利在这里提到了其他优势目前，dplyr所没有的一个小特性是，可以像Python panda那样，通过.x和.y列进行分隔。

根据哈德利在该问题中的评论采取的解决方法：

就行而言，rightjoin（x，y）与leftjoin（y，x）相同，只是列的顺序不同。轻松使用select（new_column_order）outer_join基本上是并集（leftjoin（x，y），rightjoin（y，x）），即保留两个数据帧中的所有行。

更新用于连接数据集的data.table方法。请参见以下每种连接类型的示例。有两种方法，一种是在将第二个data.table作为第一个参数传递给子集时使用[.data.table，另一种方法是使用merge函数，将其分派给快速data.table方法。

df1 = data.frame(CustomerId = c(1:6), Product = c(rep("Toaster", 3), rep("Radio", 3)))
df2 = data.frame(CustomerId = c(2L, 4L, 7L), State = c(rep("Alabama", 2), rep("Ohio", 1))) # one value changed to show full outer join

library(data.table)

dt1 = as.data.table(df1)
dt2 = as.data.table(df2)
setkey(dt1, CustomerId)
setkey(dt2, CustomerId)
# right outer join keyed data.tables
dt1[dt2]

setkey(dt1, NULL)
setkey(dt2, NULL)
# right outer join unkeyed data.tables - use `on` argument
dt1[dt2, on = "CustomerId"]

# left outer join - swap dt1 with dt2
dt2[dt1, on = "CustomerId"]

# inner join - use `nomatch` argument
dt1[dt2, nomatch=NULL, on = "CustomerId"]

# anti join - use `!` operator
dt1[!dt2, on = "CustomerId"]

# inner join - using merge method
merge(dt1, dt2, by = "CustomerId")

# full outer join
merge(dt1, dt2, by = "CustomerId", all = TRUE)

# see ?merge.data.table arguments for other cases

下面是基准测试baseR、sqldf、dplyr和data.table。基准测试未索引/未索引的数据集。基准测试是在50M-1行数据集上执行的，联接列上有50M-2个公共值，因此可以测试每个场景（内部、左侧、右侧、完整），并且联接仍然不容易执行。这是一种很好地强调连接算法的连接类型。时间截至sqldf:0.4.11，dplyr:0.7.8，data.table:1.12.0。

# inner
Unit: seconds
   expr       min        lq      mean    median        uq       max neval
   base 111.66266 111.66266 111.66266 111.66266 111.66266 111.66266     1
  sqldf 624.88388 624.88388 624.88388 624.88388 624.88388 624.88388     1
  dplyr  51.91233  51.91233  51.91233  51.91233  51.91233  51.91233     1
     DT  10.40552  10.40552  10.40552  10.40552  10.40552  10.40552     1
# left
Unit: seconds
   expr        min         lq       mean     median         uq        max 
   base 142.782030 142.782030 142.782030 142.782030 142.782030 142.782030     
  sqldf 613.917109 613.917109 613.917109 613.917109 613.917109 613.917109     
  dplyr  49.711912  49.711912  49.711912  49.711912  49.711912  49.711912     
     DT   9.674348   9.674348   9.674348   9.674348   9.674348   9.674348       
# right
Unit: seconds
   expr        min         lq       mean     median         uq        max
   base 122.366301 122.366301 122.366301 122.366301 122.366301 122.366301     
  sqldf 611.119157 611.119157 611.119157 611.119157 611.119157 611.119157     
  dplyr  50.384841  50.384841  50.384841  50.384841  50.384841  50.384841     
     DT   9.899145   9.899145   9.899145   9.899145   9.899145   9.899145     
# full
Unit: seconds
  expr       min        lq      mean    median        uq       max neval
  base 141.79464 141.79464 141.79464 141.79464 141.79464 141.79464     1
 dplyr  94.66436  94.66436  94.66436  94.66436  94.66436  94.66436     1
    DT  21.62573  21.62573  21.62573  21.62573  21.62573  21.62573     1

请注意，您可以使用data.table执行其他类型的联接：-连接时更新-如果要将值从另一个表查找到主表-联接时聚合-如果要在联接的键上聚合，则不必实现所有联接结果-重叠连接-如果要按范围合并-滚动联接-如果您希望合并能够通过向前或向后滚动来匹配前一行/后一行的值-非相等联接-如果联接条件不相等

要复制的代码：

library(microbenchmark)
library(sqldf)
library(dplyr)
library(data.table)
sapply(c("sqldf","dplyr","data.table"), packageVersion, simplify=FALSE)

n = 5e7
set.seed(108)
df1 = data.frame(x=sample(n,n-1L), y1=rnorm(n-1L))
df2 = data.frame(x=sample(n,n-1L), y2=rnorm(n-1L))
dt1 = as.data.table(df1)
dt2 = as.data.table(df2)

mb = list()
# inner join
microbenchmark(times = 1L,
               base = merge(df1, df2, by = "x"),
               sqldf = sqldf("SELECT * FROM df1 INNER JOIN df2 ON df1.x = df2.x"),
               dplyr = inner_join(df1, df2, by = "x"),
               DT = dt1[dt2, nomatch=NULL, on = "x"]) -> mb$inner

# left outer join
microbenchmark(times = 1L,
               base = merge(df1, df2, by = "x", all.x = TRUE),
               sqldf = sqldf("SELECT * FROM df1 LEFT OUTER JOIN df2 ON df1.x = df2.x"),
               dplyr = left_join(df1, df2, by = c("x"="x")),
               DT = dt2[dt1, on = "x"]) -> mb$left

# right outer join
microbenchmark(times = 1L,
               base = merge(df1, df2, by = "x", all.y = TRUE),
               sqldf = sqldf("SELECT * FROM df2 LEFT OUTER JOIN df1 ON df2.x = df1.x"),
               dplyr = right_join(df1, df2, by = "x"),
               DT = dt1[dt2, on = "x"]) -> mb$right

# full outer join
microbenchmark(times = 1L,
               base = merge(df1, df2, by = "x", all = TRUE),
               dplyr = full_join(df1, df2, by = "x"),
               DT = merge(dt1, dt2, by = "x", all = TRUE)) -> mb$full

lapply(mb, print) -> nul

在连接两个数据帧时，每个数据帧约有100万行，一个数据帧有2列，另一个数据框约有20行，我惊讶地发现merge（…，all.x=TRUE，all.y=TRUE）比dplyr:：full_join（）更快。这是dplyr v0.4

合并需要约17秒，完全加入需要约65秒。

尽管如此，我还是需要一些食物，因为我通常默认使用dplyr来执行操作任务。