Fusionando bases de datos en R con el comando merge

Introducción

Se desea fusionar dos bases de datos. Una se compone de nombres y edades de estudiantes (B1), mientras que la otra tiene información sobre nombres y lugares de nacimiento también de estudiantes (B2). El problema está en que las dos bases de datos tienen, tanto observaciones en común, como diferentes. Es decir, existen estudiantes que están en ambas bases de datos, mientras que existen algunos(as) que solo están en una de las dos.

print(B1)

## # A tibble: 7 x 2
##   NOMBRE  EDAD
##   <chr>  <dbl>
## 1 FAC       16
## 2 PAT       17
## 3 PED       18
## 4 LUI       19
## 5 NAH       20
## 6 VLA       21
## 7 ANT       22

print(B2)

## # A tibble: 6 x 2
##   NOMBRE LUG  
##   <chr>  <chr>
## 1 FAC    MEX  
## 2 PAT    EDO  
## 3 PED    SLP  
## 4 LUI    GDL  
## 5 FRO    MTY  
## 6 CES    ZAC

• La base B1 tiene información sobre 7 estudiantes y sus edades.
• La base B2 tiene información sobre 6 estudiantes y sus lugares de nacimiento.
• Ambas bases tienen 4 estudiantes en común : FAC, PAT, PED y LUI.
• Sin embargo, B1 tiene 3 estudiantes que B2 no tiene (NAH, VLA y ANT) y B2 tiene 2 estudiantes que B1 no tiene (FRO y CES).

Las preguntas que surgen son : ¿cómo pueden fusionarse estas bases de datos y qué comandos utilizar?

Comando Merge

Merge es un comando de R base. Esto quiere decir que no se requiere instalar ninguna paquetería para ser utilizado. Este comando permite fusionar dos bases de datos utilizando los nombres de columnas o variables comunes.

La sintaxis más básica de este comando es merge(x,y), donde ‘x’ y ‘y’ son las dos bases de datos. Puede crearse una base de datos nueva (BT1) asignando este comando con B1 y B2 de la siguiente forma :

BT1 <- merge(B1,B2)
print(BT1)

##   NOMBRE EDAD LUG
## 1    FAC   16 MEX
## 2    LUI   19 GDL
## 3    PAT   17 EDO
## 4    PED   18 SLP

Esta nueva base tiene información de los nombres de los estudiantes, sus edades y sus lugares de nacimiento. El comando combinó las bases B1 y B2 por medio del nombre de la variable común en ambas : NOMBRE. Sin embargo, el resultado de esta fusión es una base de datos que solo contiene los elementos comunes de B1 y B2. Como no tiene otra indicación, el comando descartó aquellos estudiantes que tenían información en una base y en la otra no.

Merge+’all=TRUE’

Una variación de la sintaxis de este comando resulta de indicarle all=TRUE. Al crear la nueva base de datos BT2, se obtiene lo siguiente :

BT2 <- merge(B1,B2,all=TRUE)
print(BT2)

##   NOMBRE EDAD  LUG
## 1    ANT   22 <NA>
## 2    CES   NA  ZAC
## 3    FAC   16  MEX
## 4    FRO   NA  MTY
## 5    LUI   19  GDL
## 6    NAH   20 <NA>
## 7    PAT   17  EDO
## 8    PED   18  SLP
## 9    VLA   21 <NA>

BT2 combina la información sobre los estudiantes de ambas bases de datos y genera un nuevo data.frame. Es decir, BT2 tiene:

• información sobre los 4 estudiantes que eran comunes en B1 y B2,
• información sobre los 3 estudiantes que tenía B1 y que no tenía B2 e
• información sobre los 2 estudiantes que tenía B2 y que no tenía B1.

En este caso, se mantiene la información de todos los estudiantes. A aquellos estudiantes que no tengan información en alguna de las bases de datos se les asigna el valor <NA>, que significa ‘Not available’, según corresponda.

Por ejemplo, ANT es un estudiante que está en B1, pero que no está en B2. Esto quiere decir que no existe información sobre el lugar de nacimiento de ANT. Al no tener esta información, se le asigna el valor <NA> en la columna ’LUG’.

Merge+’all.x=TRUE’

Otra variación de la sintaxis de este comando resulta de indicarle all.x=TRUE. Al crear la nueva base de datos BT3, se obtiene lo siguiente:

BT3 <- merge(B1,B2,all.x=TRUE)
print(BT3)

##   NOMBRE EDAD  LUG
## 1    ANT   22 <NA>
## 2    FAC   16  MEX
## 3    LUI   19  GDL
## 4    NAH   20 <NA>
## 5    PAT   17  EDO
## 6    PED   18  SLP
## 7    VLA   21 <NA>

Si utilizamos el comando merge con la indicación all.x=TRUE, solo toma como referencia la información de los estudiantes que están en la base de datos x, es decir, la primera entrada del comando. En este caso, la primera base ingresada fue B1. Es decir, solo nos muestra la información sobre los 7 estudiantes de B1 y busca información en B2 sobre sus lugares de nacimiento. A aquellos estudiantes de B1 que no tengan información en B2 se les asigna <NA>.

Merge+’all.y=TRUE’

La última variación de la sintaxis de este comando que describe este documento es all.y=TRUE. Al crear la nueva base de datos BT4, se obtiene lo siguiente :

BT4 <- merge(B1,B2,all.y=TRUE)
print(BT4)

##   NOMBRE EDAD LUG
## 1    CES   NA ZAC
## 2    FAC   16 MEX
## 3    FRO   NA MTY
## 4    LUI   19 GDL
## 5    PAT   17 EDO
## 6    PED   18 SLP

Se realiza un proceso análogo, pero ahora solo nos da como resultado la información de los estudiantes que están en B2.

Al final, ¿cuál de las variaciones del comando ‘merge’ se debe utilizar ? Solo dependerá de la necesidad de la persona que esté administrando las bases de datos.

Espero que les haya sido de utilidad. Cualquier duda, comentario o sugerencia que tengan, pueden enviarla al correo : vladi_26@hotmail.com. Un agradecimiento muy especial a los compañeros y compañeras del curso de Econometría Avanzada del Doctorado en Políticas Públicas del CIDE quienes me inspiraron a hacer esta presentación.