Simple alternative for rbind.fill or bind_rows

rbind_dfs(x, y, clearRowNames = TRUE)

Arguments

x

One dataframe

y

Another dataframe

clearRowNames

Whether to clear row names (to avoid duplication)

Value

The merged dataframe

Examples

rbind_dfs(Orange, mtcars);
#>    Tree  age circumference  mpg cyl  disp  hp drat    wt  qsec vs am gear carb
#> 1     1  118            30   NA  NA    NA  NA   NA    NA    NA NA NA   NA   NA
#> 2     1  484            58   NA  NA    NA  NA   NA    NA    NA NA NA   NA   NA
#> 3     1  664            87   NA  NA    NA  NA   NA    NA    NA NA NA   NA   NA
#> 4     1 1004           115   NA  NA    NA  NA   NA    NA    NA NA NA   NA   NA
#> 5     1 1231           120   NA  NA    NA  NA   NA    NA    NA NA NA   NA   NA
#> 6     1 1372           142   NA  NA    NA  NA   NA    NA    NA NA NA   NA   NA
#> 7     1 1582           145   NA  NA    NA  NA   NA    NA    NA NA NA   NA   NA
#> 8     2  118            33   NA  NA    NA  NA   NA    NA    NA NA NA   NA   NA
#> 9     2  484            69   NA  NA    NA  NA   NA    NA    NA NA NA   NA   NA
#> 10    2  664           111   NA  NA    NA  NA   NA    NA    NA NA NA   NA   NA
#> 11    2 1004           156   NA  NA    NA  NA   NA    NA    NA NA NA   NA   NA
#> 12    2 1231           172   NA  NA    NA  NA   NA    NA    NA NA NA   NA   NA
#> 13    2 1372           203   NA  NA    NA  NA   NA    NA    NA NA NA   NA   NA
#> 14    2 1582           203   NA  NA    NA  NA   NA    NA    NA NA NA   NA   NA
#> 15    3  118            30   NA  NA    NA  NA   NA    NA    NA NA NA   NA   NA
#> 16    3  484            51   NA  NA    NA  NA   NA    NA    NA NA NA   NA   NA
#> 17    3  664            75   NA  NA    NA  NA   NA    NA    NA NA NA   NA   NA
#> 18    3 1004           108   NA  NA    NA  NA   NA    NA    NA NA NA   NA   NA
#> 19    3 1231           115   NA  NA    NA  NA   NA    NA    NA NA NA   NA   NA
#> 20    3 1372           139   NA  NA    NA  NA   NA    NA    NA NA NA   NA   NA
#> 21    3 1582           140   NA  NA    NA  NA   NA    NA    NA NA NA   NA   NA
#> 22    4  118            32   NA  NA    NA  NA   NA    NA    NA NA NA   NA   NA
#> 23    4  484            62   NA  NA    NA  NA   NA    NA    NA NA NA   NA   NA
#> 24    4  664           112   NA  NA    NA  NA   NA    NA    NA NA NA   NA   NA
#> 25    4 1004           167   NA  NA    NA  NA   NA    NA    NA NA NA   NA   NA
#> 26    4 1231           179   NA  NA    NA  NA   NA    NA    NA NA NA   NA   NA
#> 27    4 1372           209   NA  NA    NA  NA   NA    NA    NA NA NA   NA   NA
#> 28    4 1582           214   NA  NA    NA  NA   NA    NA    NA NA NA   NA   NA
#> 29    5  118            30   NA  NA    NA  NA   NA    NA    NA NA NA   NA   NA
#> 30    5  484            49   NA  NA    NA  NA   NA    NA    NA NA NA   NA   NA
#> 31    5  664            81   NA  NA    NA  NA   NA    NA    NA NA NA   NA   NA
#> 32    5 1004           125   NA  NA    NA  NA   NA    NA    NA NA NA   NA   NA
#> 33    5 1231           142   NA  NA    NA  NA   NA    NA    NA NA NA   NA   NA
#> 34    5 1372           174   NA  NA    NA  NA   NA    NA    NA NA NA   NA   NA
#> 35    5 1582           177   NA  NA    NA  NA   NA    NA    NA NA NA   NA   NA
#> 36 <NA>   NA            NA 21.0   6 160.0 110 3.90 2.620 16.46  0  1    4    4
#> 37 <NA>   NA            NA 21.0   6 160.0 110 3.90 2.875 17.02  0  1    4    4
#> 38 <NA>   NA            NA 22.8   4 108.0  93 3.85 2.320 18.61  1  1    4    1
#> 39 <NA>   NA            NA 21.4   6 258.0 110 3.08 3.215 19.44  1  0    3    1
#> 40 <NA>   NA            NA 18.7   8 360.0 175 3.15 3.440 17.02  0  0    3    2
#> 41 <NA>   NA            NA 18.1   6 225.0 105 2.76 3.460 20.22  1  0    3    1
#> 42 <NA>   NA            NA 14.3   8 360.0 245 3.21 3.570 15.84  0  0    3    4
#> 43 <NA>   NA            NA 24.4   4 146.7  62 3.69 3.190 20.00  1  0    4    2
#> 44 <NA>   NA            NA 22.8   4 140.8  95 3.92 3.150 22.90  1  0    4    2
#> 45 <NA>   NA            NA 19.2   6 167.6 123 3.92 3.440 18.30  1  0    4    4
#> 46 <NA>   NA            NA 17.8   6 167.6 123 3.92 3.440 18.90  1  0    4    4
#> 47 <NA>   NA            NA 16.4   8 275.8 180 3.07 4.070 17.40  0  0    3    3
#> 48 <NA>   NA            NA 17.3   8 275.8 180 3.07 3.730 17.60  0  0    3    3
#> 49 <NA>   NA            NA 15.2   8 275.8 180 3.07 3.780 18.00  0  0    3    3
#> 50 <NA>   NA            NA 10.4   8 472.0 205 2.93 5.250 17.98  0  0    3    4
#> 51 <NA>   NA            NA 10.4   8 460.0 215 3.00 5.424 17.82  0  0    3    4
#> 52 <NA>   NA            NA 14.7   8 440.0 230 3.23 5.345 17.42  0  0    3    4
#> 53 <NA>   NA            NA 32.4   4  78.7  66 4.08 2.200 19.47  1  1    4    1
#> 54 <NA>   NA            NA 30.4   4  75.7  52 4.93 1.615 18.52  1  1    4    2
#> 55 <NA>   NA            NA 33.9   4  71.1  65 4.22 1.835 19.90  1  1    4    1
#> 56 <NA>   NA            NA 21.5   4 120.1  97 3.70 2.465 20.01  1  0    3    1
#> 57 <NA>   NA            NA 15.5   8 318.0 150 2.76 3.520 16.87  0  0    3    2
#> 58 <NA>   NA            NA 15.2   8 304.0 150 3.15 3.435 17.30  0  0    3    2
#> 59 <NA>   NA            NA 13.3   8 350.0 245 3.73 3.840 15.41  0  0    3    4
#> 60 <NA>   NA            NA 19.2   8 400.0 175 3.08 3.845 17.05  0  0    3    2
#> 61 <NA>   NA            NA 27.3   4  79.0  66 4.08 1.935 18.90  1  1    4    1
#> 62 <NA>   NA            NA 26.0   4 120.3  91 4.43 2.140 16.70  0  1    5    2
#> 63 <NA>   NA            NA 30.4   4  95.1 113 3.77 1.513 16.90  1  1    5    2
#> 64 <NA>   NA            NA 15.8   8 351.0 264 4.22 3.170 14.50  0  1    5    4
#> 65 <NA>   NA            NA 19.7   6 145.0 175 3.62 2.770 15.50  0  1    5    6
#> 66 <NA>   NA            NA 15.0   8 301.0 335 3.54 3.570 14.60  0  1    5    8
#> 67 <NA>   NA            NA 21.4   4 121.0 109 4.11 2.780 18.60  1  1    4    2