使用merge函数，我们可以选择左表或右表的变量，就像我们熟悉的SQL中的select语句一样（例如：从…中选择a.*…或选择b.*）我们必须添加额外的代码，这些代码将从新连接的表中子集。SQL:-从df1中选择a.*a内部联接df2 b，位于a.CustomerId=b.CustomerIdR：-mmerge（df1，df2，按.x=“CustomerId”，按.y=“CustomerId）[，名称（df1）]

同样的方式

SQL：-从df1中选择b.*a内部联接df2 b，位于a.CustomerId=b.CustomerIdR：-mmerge（df1，df2，by.x=“CustomerId”，by.y=“客户ID”）[，名称（df2）]

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。

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

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。）

你也可以使用哈德利·威克姆（Hadley Wickham）很棒的dplyr包来完成连接。

library(dplyr)

#make sure that CustomerId cols are both the same type
#they aren’t in the provided data (one is integer and one is double)
df1$CustomerId <- as.double(df1$CustomerId)

可变联接：使用df2中的匹配项将列添加到df1

#inner
inner_join(df1, df2)

#left outer
left_join(df1, df2)

#right outer
right_join(df1, df2)

#alternate right outer
left_join(df2, df1)

#full join
full_join(df1, df2)

过滤联接：过滤掉df1中的行，不修改列

#keep only observations in df1 that match in df2.
semi_join(df1, df2)

#drop all observations in df1 that match in df2.
anti_join(df1, df2)

使用merge函数，我们可以选择左表或右表的变量，就像我们熟悉的SQL中的select语句一样（例如：从…中选择a.*…或选择b.*）我们必须添加额外的代码，这些代码将从新连接的表中子集。SQL:-从df1中选择a.*a内部联接df2 b，位于a.CustomerId=b.CustomerIdR：-mmerge（df1，df2，按.x=“CustomerId”，按.y=“CustomerId）[，名称（df1）]

同样的方式

SQL：-从df1中选择b.*a内部联接df2 b，位于a.CustomerId=b.CustomerIdR：-mmerge（df1，df2，by.x=“CustomerId”，by.y=“客户ID”）[，名称（df2）]