Continuiamo la discussione iniziata in questo post, dove Davide spiegava una procedura per incrociare due tabelle di dati come le due seguenti:

library(tidyverse)


ragione_sociale <- c("comune paperopoli", 
                     "canile pluto", 
                     "archimede pitagorico")
codice_cliente <- c(12345, 67890, 54321)
servizi <- c(4, 5, 2)

servizi_disattivati <- tibble(ragione_sociale, 
                              codice_cliente, 
                              servizi)

Tabella clienti

Tabella servizi disattivati

L’obiettivo era quello di aggiungere alla tabella servizi_disattivati la variabile agente appartenente alla tabella clienti, usando come riferimento la variabile codice_cliente comune ad entrambe le tabelle. Il risultato desiderato è il seguente:

Il pacchetto dplyr ci permette di svolgere tale operazione utilizzando le funzioni inner_join e select. Applicata alle nostre tabelle, data la variabile di riferimento codice_cliente, inner_join restituisce tutte le righe di servizi_disattivati corrispondenti a quelle di clienti. Tuttavia tutte le colonne delle tabelle verranno mantenute, per cui se applicassimo solo inner_join otterremmo:

servizi_disattivati %>%
  inner_join(clienti,
             by = "codice_cliente")

Dato che in questo caso le variabili ragione_sociale possiedono valori equivalenti anche se non identici, possiamo decidere di mantenere solo una di queste. Per fare ciò, prima di applicare inner_join scartiamo la variabile ragione_sociale dalla tabella clienti:

servizi_disattivati %>%
  inner_join(clienti %>%
               select(-ragione_sociale),
             by = "codice_cliente")

Uno dei vantaggi più grandi derivanti dall’utilizzo di inner_join è la sua velocità. Per esempio, proviamo a replicare servizi_disattivati per 500000 volte (ottenendo una tabella di 1500000 righe) e poi misuriamo il tempo impiegato dalla funzione merge per completare l’operazione:

start <- proc.time()
servizi_disattivati %>%
  slice(rep(row_number(), 500000)) %>%
  merge(clienti %>%
        select(-ragione_sociale), by.x="codice_cliente", by.y="codice_cliente")
proc.time()[3] - start[3]

elapsed
33.686

E ora proviamo con inner_join:

start <- proc.time()
servizi_disattivati %>%
  slice(rep(row_number(), 500000)) %>%
  inner_join(clienti %>%
               select(-ragione_sociale),
             by = "codice_cliente")
proc.time()[3] - start[3]

elapsed
0.515

In questo caso inner_join risulta circa 65 volte più veloce di merge. Non male!