Uniones entre tablas

Función merge

Hay dos formas de escribir uniones entre tablas usando data.table. La primera es mediante la función merge() de r base. Los argumentos básicos de esta función son:

merge(x, y, by = intersect(names(x), names(y)),
      by.x = by, by.y = by, all = FALSE, all.x = all, all.y = all,
      sort = TRUE, suffixes = c(".x",".y"), no.dups = TRUE,
      incomparables = NULL, ...)

x, y = son los objetos data.table que se quieren unir

by, by.x, by.y = nombres de las columnas que funcionan como índice para hacer la unión. Cuando ambas tablas tienen el mismo nombre de columna se utiliza by, cuando no, se puede especificar el nombre en x (by.x) y el nombre en y (by.y)

all, all.x, all.y = especifican el tipo de unión. all = T es para hacer full join (mantiene todas las filas de ambas tablas), all.x = T es para hacer left join (mantiene todas las filas de la tabla x), all.y es para hacer right join (mantiene todas las filas de y), all = F es para hacer inner join (solo mantiene las filas que están en ambas tablas)

library(data.table)

dt1 = data.table(id = seq(1,10), letter1 = LETTERS[sample(1:10, replace = T)])

dt2 = data.table(id = seq(6,15), letter2 = LETTERS[sample(1:10, replace = T)])

dt1
       id letter1
    <int>  <char>
 1:     1       H
 2:     2       C
 3:     3       H
 4:     4       D
 5:     5       D
 6:     6       D
 7:     7       J
 8:     8       H
 9:     9       I
10:    10       I
dt2
       id letter2
    <int>  <char>
 1:     6       A
 2:     7       A
 3:     8       B
 4:     9       B
 5:    10       D
 6:    11       A
 7:    12       I
 8:    13       I
 9:    14       F
10:    15       J
# inner join
merge(dt1,dt2,by = "id")
Key: <id>
      id letter1 letter2
   <int>  <char>  <char>
1:     6       D       A
2:     7       J       A
3:     8       H       B
4:     9       I       B
5:    10       I       D
# left join
merge(dt1,dt2,by = "id", all.x = T)
Key: <id>
       id letter1 letter2
    <int>  <char>  <char>
 1:     1       H    <NA>
 2:     2       C    <NA>
 3:     3       H    <NA>
 4:     4       D    <NA>
 5:     5       D    <NA>
 6:     6       D       A
 7:     7       J       A
 8:     8       H       B
 9:     9       I       B
10:    10       I       D
# right join
merge(dt1,dt2,by = "id", all.y = T)
Key: <id>
       id letter1 letter2
    <int>  <char>  <char>
 1:     6       D       A
 2:     7       J       A
 3:     8       H       B
 4:     9       I       B
 5:    10       I       D
 6:    11    <NA>       A
 7:    12    <NA>       I
 8:    13    <NA>       I
 9:    14    <NA>       F
10:    15    <NA>       J
# full join
merge(dt1,dt2,by = "id", all = T)
Key: <id>
       id letter1 letter2
    <int>  <char>  <char>
 1:     1       H    <NA>
 2:     2       C    <NA>
 3:     3       H    <NA>
 4:     4       D    <NA>
 5:     5       D    <NA>
 6:     6       D       A
 7:     7       J       A
 8:     8       H       B
 9:     9       I       B
10:    10       I       D
11:    11    <NA>       A
12:    12    <NA>       I
13:    13    <NA>       I
14:    14    <NA>       F
15:    15    <NA>       J

Sintaxis de data.table

La segunda forma de hacer uniones entre tablas es usando la sintaxis de data.table.

DT1[DT2, nomatch = 0]

Si lo traducimos a la sintaxis de la función anterior entonces la tabla que está por fuera es x, la tabla que está por dentro es y y el argumento nomatch te permite indicar qué hacer con las claves para las que no encuentra coincidencia en ambas tablas. Cuando nomatch = 0 no incluye las claves que no se comparten entre tablas.

# inner join
dt1[dt2, on = "id", nomatch=0]
      id letter1 letter2
   <int>  <char>  <char>
1:     6       D       A
2:     7       J       A
3:     8       H       B
4:     9       I       B
5:    10       I       D
# left join
dt1[dt2, on = "id"]
       id letter1 letter2
    <int>  <char>  <char>
 1:     6       D       A
 2:     7       J       A
 3:     8       H       B
 4:     9       I       B
 5:    10       I       D
 6:    11    <NA>       A
 7:    12    <NA>       I
 8:    13    <NA>       I
 9:    14    <NA>       F
10:    15    <NA>       J
# right join
dt2[dt1, on = "id"]
       id letter2 letter1
    <int>  <char>  <char>
 1:     1    <NA>       H
 2:     2    <NA>       C
 3:     3    <NA>       H
 4:     4    <NA>       D
 5:     5    <NA>       D
 6:     6       A       D
 7:     7       A       J
 8:     8       B       H
 9:     9       B       I
10:    10       D       I

Ejercicio

Queremos averiguar cuántos registros y de cuántas especies de algún género de plantas hay de cada categoría de conservación (IUCN) para México.

Con lo aprendido en los temas anteriores podemos generar un subconjunto de la tabla de registros que solo tenga los registros de un género (por ejemplo para el género Quercus).

Paso 1. Filtra la tabla de registros de plantas para México para quedarte con la información de algún género que te guste.

Además, encontramos que utilizando el paquete rredlist podemos buscar el estatus de conservación de la IUCN para algunas especies que nos interesen con la función rl_search.

El siguiente código muestra una forma para obtener el estatus de conservación. Lo que hace es buscar los resultados en la base de datos de la lista roja para cada especie en el subconjunto de registros de encinos de la tabla de registros de plantas para México.

library("rredlist")
library("magrittr")

data = fread("data/data_quercus.csv")

token = "9bb4facb6d23f48efbf424bb05c0c1ef1cf6f468393bc745d42179ac4aca5fee"

sp_list = unique(data$species)
sp_list = sp_list[which(sp_list != "")] # quitar elementos vacios

red_list = list()

for (i in sp_list) {
        red_list[[i]] <- rl_search(i, key = token)$result
}

# seleccionar columnas útiles
iucn_data = do.call(rbind,red_list) %>% select(scientific_name, category, population_trend)

write.csv(iucn_data, "data/iucn_data.csv", row.names = F)

Paso 2: Utiliza el código anterior para generar la tabla de estados de conservación para las especies del género que elegiste.

Paso 3: Une la tabla de los registros del genero que escogiste con la de estados de conservación

Paso 4: Haz un resumen del número de registros y el número de especies que hay para cada estado de conservación. Por ejemplo, para los encinos los resultados son los siguientes:

category numero_registros numero_sp
EN 996 19
LC 41064 96
NT 3214 18
VU 1876 9
DD 762 21
CR 8 1 
#| echo: false

data = fread("data/data_quercus.csv")

dataIUCN = fread("data/iucn_data.csv")
setnames(dataIUCN, "scientific_name", "species") # renombrar la columna de scientific_name a species porque es la clave que ambas tablas tienen en comun

# Hacer un left join para añadir la información de la iucn a la tabla de datos
join = data[dataIUCN, on = "species"]

# Hacer el resumen, primero contando los registros agrupando por especie y por categoría. Después, utilizando una cadena y solo agrupamos por categoría, la suma de las filas dentro de un grupo sería el número de registros que pertenecen a la categoría y el número de filas de cada grupo corresponde al número de especies en la categoría.

join[,.N,by=.(species,category)][,.(numero_registros = sum(N),numero_sp = .N),by = category]