Заполнение фрейма данных из другого фрейма данных с использованием частичного совпадения строк

Question

У меня есть два кадра данных. Dataframe1 содержит климатические данные для списка парков. Фрейм данных 2 содержит те же парки, но есть буква («P» или «T») для указания дороги в этом парке. Я хочу сопоставить климатические данные с этими дорожными обозначениями парков. Например. В кадре 1 в «Парке А» может выпасть 25 см осадков. Датафрейм 2 будет иметь «Park A P» и «Park A T». Я хочу, чтобы датафрейм 2 имел значение 25 как в «Park A P», так и в «Park A T». Любая помощь будет оценена.

Dataframe1

structure(list(ParkName = c("Alafia River State Park", "Amelia Island State Park", 
"Big Talbot Island State Park", "Blue Spring State Park", "Collier-Seminole State Park", 
"Curry Hammock State Park", "Delnor-Wiggins Pass State Park", 
"Dr. Von D. Mizell-Eula Johnson State Park", "Fakahatchee Strand Preserve State Park", 
"Fort George Island Cultural State Park", "Fort Pierce Inlet State Park/Avalon State Park", 
"Fort Zachary Taylor Historic State Park", "Highlands Hammock State Park", 
"Hillsborough River State Park", "Honeymoon Island State Park", 
"John D. MacArthur Beach State Park", "Jonathan Dickinson State Park", 
"Lake Manatee State Park", "Long Key State Park", "Lovers Key State Park", 
"Myakka River State Park", "Oscar Scherer State Park", "Paynes Creek Historic State Park", 
"Pumpkin Hill Creek Preserve State Park", "Savannas Preserve State Park", 
"Seabranch Preserve State Park", "Sebastian Inlet State Park", 
"Terra Ceia Preserve State Park", "Werner-Boyce Salt Springs State Park"
), tmax = c(30.8666666666667, 26.2333333333333, 25.325, 29, 30.3166666666667, 
29.1166666666667, 32.65, 30.7833333333333, 33, 26.3, 27.56, 30.6, 
30.2333333333333, 33, 28.7666666666667, 28.98, 27.9142857142857, 
27.4333333333333, 28.85, 29.4, 30.35, 32.7666666666667, 29.4, 
30.1666666666667, 29.5166666666667, 32.4, 27.2583333333333, 29.7, 
24.4333333333333), tavg = c(25.5, 21.6111111111111, 20.8333333333333, 
23.5, 25.3166666666667, 25.9166666666667, 28, 26.9666666666667, 
28.2, 22.025, 23.3, 28.6, 24.5833333333333, 27.7, 23.8333333333333, 
24.62, 23.0714285714286, 21.5333333333333, 26, 24.32, 24.4166666666667, 
28.0666666666667, 23.5333333333333, 25.9333333333333, 25.1666666666667, 
28.2, 22.875, 24.86, 18.2), tmin = c(20.1333333333333, 17.0222222222222, 
16.3666666666667, 18.02, 20.3166666666667, 22.6833333333333, 
23.35, 23.2, 23.3, 17.75, 19.02, 26.6, 18.8833333333333, 22.45, 
18.8666666666667, 20.28, 18.2285714285714, 15.6333333333333, 
23.1, 19.24, 18.4166666666667, 23.3666666666667, 17.6333333333333, 
21.7333333333333, 20.85, 23.95, 18.4416666666667, 20.04, 11.9333333333333
), precip = c(163.833333333333, 108.333333333333, 116.333333333333, 
104.2, 156, 127.333333333333, 302, 168.166666666667, 259, 111, 
117.8, 154, 131.833333333333, 208.5, 112.333333333333, 152.4, 
94.2857142857143, 179.333333333333, 128.833333333333, 146, 147.666666666667, 
223.666666666667, 137.333333333333, 122.333333333333, 154.166666666667, 
226, 126.5, 137.8, 20.6666666666667), ParkLatitude = c(27.77339935, 
30.52039909, 30.47949982, 28.94799995, 25.97559929, 24.74399948, 
26.28140068, 26.07530022, 26.02120018, 30.42499924, 27.5222, 
24.54649925, 27.4503994, 28.12179947, 28.07509995, 26.82620049, 
27.00860023, 27.47850037, 24.81699944, 26.39119911, 27.22629929, 
27.1807003, 27.61980057, 30.4701004, 27.3166008, 27.13529968, 
27.86020088, 27.5977993, 28.31739998)), class = c("tbl_df", "tbl", 
"data.frame"), .Names = c("ParkName", "tmax", "tavg", "tmin", 
"precip", "ParkLatitude"), row.names = c(NA, -29L))

Датафрейм 2

    structure(list(newsites = c("Alafia River State Park T", "Blue Spring State Park P", 
"Collier-Seminole State Park T", "Curry Hammock State Park P", 
"Highlands Hammock State Park T", "Jonathan Dickinson State Park P", 
"Jonathan Dickinson State Park T", "John D. MacArthur Beach State Park P", 
"Dr. Von D. Mizell-Eula Johnson State Park P", "Long Key State Park P", 
"Lovers Key State Park T", "Myakka River State Park T", "Myakka River State Park P", 
"Savannas Preserve State Park P", "Seabranch Preserve State Park T", 
"Sebastian Inlet State Park P", "Sebastian Inlet State Park T", 
"Big Talbot Island State Park T", "Big Talbot Island State Park P", 
"Fort George Island Cultural State Park T", "Amelia Island State Park T", 
"Pumpkin Hill Creek Preserve State Park T", "Blue Spring State Park T", 
"Collier-Seminole State Park P", "Delnor-Wiggins Pass State Park P", 
"Fakahatchee Strand Preserve State Park T", "Fort Pierce Inlet State Park/Avalon State Park P", 
"Fort Zachary Taylor Historic State Park P", "Highlands Hammock State Park P", 
"Hillsborough River State Park P", "Honeymoon Island State Park P", 
"Lake Manatee State Park T", "Oscar Scherer State Park P", "Paynes Creek Historic State Park P", 
"Lake Manatee State Park P", "Lovers Key State Park P", "Terra Ceia Preserve State Park T", 
"Werner-Boyce Salt Springs State Park T")), class = c("grouped_df", 
"tbl_df", "tbl", "data.frame"), row.names = c(NA, -38L), .Names = "newsites", vars = "newsites", drop = TRUE, indices = list(
    0L, 20L, 18L, 17L, 1L, 22L, 23L, 2L, 3L, 24L, 8L, 25L, 19L, 
    26L, 27L, 28L, 4L, 29L, 30L, 7L, 5L, 6L, 34L, 31L, 9L, 35L, 
    10L, 12L, 11L, 32L, 33L, 21L, 13L, 14L, 15L, 16L, 36L, 37L), group_sizes = c(1L, 
1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 
1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 
1L, 1L, 1L, 1L, 1L), biggest_group_size = 1L, labels = structure(list(
    newsites = c("Alafia River State Park T", "Amelia Island State Park T", 
    "Big Talbot Island State Park P", "Big Talbot Island State Park T", 
    "Blue Spring State Park P", "Blue Spring State Park T", "Collier-Seminole State Park P", 
    "Collier-Seminole State Park T", "Curry Hammock State Park P", 
    "Delnor-Wiggins Pass State Park P", "Dr. Von D. Mizell-Eula Johnson State Park P", 
    "Fakahatchee Strand Preserve State Park T", "Fort George Island Cultural State Park T", 
    "Fort Pierce Inlet State Park/Avalon State Park P", "Fort Zachary Taylor Historic State Park P", 
    "Highlands Hammock State Park P", "Highlands Hammock State Park T", 
    "Hillsborough River State Park P", "Honeymoon Island State Park P", 
    "John D. MacArthur Beach State Park P", "Jonathan Dickinson State Park P", 
    "Jonathan Dickinson State Park T", "Lake Manatee State Park P", 
    "Lake Manatee State Park T", "Long Key State Park P", "Lovers Key State Park P", 
    "Lovers Key State Park T", "Myakka River State Park P", "Myakka River State Park T", 
    "Oscar Scherer State Park P", "Paynes Creek Historic State Park P", 
    "Pumpkin Hill Creek Preserve State Park T", "Savannas Preserve State Park P", 
    "Seabranch Preserve State Park T", "Sebastian Inlet State Park P", 
    "Sebastian Inlet State Park T", "Terra Ceia Preserve State Park T", 
    "Werner-Boyce Salt Springs State Park T")), class = "data.frame", row.names = c(NA, 
-38L), vars = "newsites", drop = TRUE, .Names = "newsites"))

Answer 1

Если единственное различие между двумя сопоставляемыми строками character - это одиночный символ, разделенный пробелами, здесь tidyverse альтернатива с использованием dplyr::left_join

library(tidyverse);
df2 %>%
    ungroup() %>%
    mutate(ParkName = gsub("\\s[A-Za-z]$", "", newsites)) %>%
    left_join(df1, by = "ParkName") %>%
    select(newsites, precip)
## A tibble: 38 x 2
#   newsites                                    precip
#   <chr>                                        <dbl>
# 1 Alafia River State Park T                    164.
# 2 Blue Spring State Park P                     104.
# 3 Collier-Seminole State Park T                156.
# 4 Curry Hammock State Park P                   127.
# 5 Highlands Hammock State Park T               132.
# 6 Jonathan Dickinson State Park P               94.3
# 7 Jonathan Dickinson State Park T               94.3
# 8 John D. MacArthur Beach State Park P         152.
# 9 Dr. Von D. Mizell-Eula Johnson State Park P  168.
#10 Long Key State Park P                        129.
## ... with 28 more rows

Обратите внимание, что df1 - это ваш "Dataframe 1", а df2 - ваш "Dataframe 2".

Answer 2

# small data frames for illustration purposes
df1 <- data.frame(park = c('Yellowstone', 'Zion', 'Redwood'), rain = c(1,2,3), stringsAsFactors = F)
df2 <- data.frame(road = c('Yellowstone P', 'Yellowstone T', 'Zion P', 'Zion T', 'Redwood P', 'Redwood T'), stringsAsFactors = F)

# Make a new column in both data frames which only contains the first 4 characters of the park and road names
df1 <- cbind(df1, shortName = substring(df1$park, 1, 4))
df2 <- cbind(df2, shortName = substring(df2$road, 1, 4))

# Merge df1 and df2 according to the new shortName column we made
df3 <- merge(x = df1, y = df2, by = 'shortName')

df3
#  shortName        park rain          road
#1      Redw     Redwood    3     Redwood P
#2      Redw     Redwood    3     Redwood T
#3      Yell Yellowstone    1 Yellowstone P
#4      Yell Yellowstone    1 Yellowstone T
#5      Zion        Zion    2        Zion P
#6      Zion        Zion    2        Zion T