R でデータフレームを結合する（merge, left_join）

2 つの表、1 つのキー

実際のデータが 1 つの表に収まっていることはめったにありません。顧客はあるデータフレームに、その注文は別のデータフレームにあり、「各顧客はいくら使ったか？」という問いには両方が必要です。両者をつなぐのが キー です。同じ実体を識別する、それぞれの表にある列のことです。キーで表を組み合わせることを ジョイン（SQL の言葉）または マージ（base R の言葉）と呼びます。同じ操作です。

このページの残りで使う 2 つの表がこちらです。顧客 5 は注文しているのに顧客の表にはおらず、顧客 2 と 4 は一度も注文していない点に注目してください。

customers <- data.frame(
    id   = c(1, 2, 3, 4),
    name = c("Ana", "Ben", "Chen", "Dana")
)
orders <- data.frame(
    id     = c(1, 1, 3, 5),
    amount = c(250, 40, 120, 60)
)

print(customers)
print(orders)

この不一致は意図的なものです。一致しない行をジョインがどう扱うかこそ、ジョインの種類を分けるものだからです。

merge(): 既定は内部結合

merge(x, y, by = "key") はキーが等しい行を対応付け、その列どうしを貼り合わせます。既定では 両方の表に存在するキーだけ を残します — 内部結合です。

customers <- data.frame(
    id   = c(1, 2, 3, 4),
    name = c("Ana", "Ben", "Chen", "Dana")
)
orders <- data.frame(
    id     = c(1, 1, 3, 5),
    amount = c(250, 40, 120, 60)
)

print(merge(customers, orders, by = "id"))

3 行が返ります。Ana は 2 回 現れます — 彼女には注文が 2 件あり、ジョインは一致する 組 ごとに 1 つの出力行を生むからです。Ben と Dana は消え（注文なし）、顧客 5 の謎の注文も消えます（顧客なし）。内部結合は両方の表から一致しない行を黙って捨てます — 完全な組だけを気にするときはまさに正しい動作ですが、そうでないときは静かなデータ欠落のバグになります。

左結合・右結合・完全結合: all.x, all.y, all

一致しない行を残すには、どちらの表の行が神聖なのかを指定します。all.x = TRUE は最初の表のすべての行を残します — 左結合 で、実務で最もよく使われるジョインです。

customers <- data.frame(
    id   = c(1, 2, 3, 4),
    name = c("Ana", "Ben", "Chen", "Dana")
)
orders <- data.frame(
    id     = c(1, 1, 3, 5),
    amount = c(250, 40, 120, 60)
)

print(merge(customers, orders, by = "id", all.x = TRUE))

これで Ben と Dana が amount を NA にして生き残ります — 「この顧客は存在するが、一致する注文がない」という意味です。この NA はゴミではなく情報です。is.na(result$amount) はまさに一度も注文しなかった顧客のリストです（その扱い方は 欠損値のドキュメント が扱っています）。残りの変種は同じ考えを別の方向に向けたものです。all.y = TRUE は 2 番目の表のすべての行を残し（右結合 — 未知の顧客 5 からの注文が name を NA にして残ります）、all = TRUE は両側のすべてを残します（完全結合）。

こう問いかけて選びましょう。失ってはいけないのはどちらの行か？ マスター表を参照データで補強するなら左結合で、マスター表を先に置きます。両方向を監査するなら完全結合です。

異なるキー名: by.x と by.y

表どうしで命名が一致していることはめったにありません — 一方は id、他方は customer_id。名前を変更するのではなく、merge() に両方の名前を伝えましょう。

customers <- data.frame(
    id   = c(1, 2, 3),
    name = c("Ana", "Ben", "Chen")
)
orders <- data.frame(
    customer_id = c(1, 3, 3),
    amount      = c(250, 120, 60)
)

print(merge(customers, orders, by.x = "id", by.y = "customer_id"))

出力ではキーに最初の表の名前が残ります。関連して、2 つの表が キー以外の 列名を共有している場合（たとえば両方に date がある場合）、merge はそれらに date.x と date.y という接尾辞を付けます — 読みにくいので、すみやかに名前を変更しましょう。

dplyr のジョイン

dplyr は各ジョインの種類にそれぞれの動詞を与えるので、意図がフラグ引数ではなく関数名に表れます（静的な例です。サンドボックスは base R しか実行しません）。

library(dplyr)

left_join(customers, orders, by = "id")
inner_join(customers, orders, by = "id")
full_join(customers, orders, by = "id")
left_join(customers, orders, by = c("id" = "customer_id"))  # different names

読みやすさに加えて、left_join() は最初の表の行順を保持し（merge() はキーで並べ替えます）、多対多の一致について大きな声で警告します — 動詞ファミリーについては dplyr 入門 を参照してください。

過小評価されているメンバーが anti_join() です。2 番目の表に 一致がない 最初の表の行を返します — 列は追加されず、残り物だけが返ります。

anti_join(customers, orders, by = "id")   # customers who never ordered

「どの行が一致しなかったか？」という問いは、データ整備で絶えず出てきます（一致しない ID、孤立したレコード、失敗した照合）。base R では customers[!(customers$id %in% orders$id), ] が必要なところを、anti_join() は 1 回の呼び出しで答えます。

行を積み重ねる: rbind()

ジョインは 2 つの表の 列 を組み合わせます。代わりに 同じ種類 の行の束が 2 つある場合 — 1 月の注文と 2 月の注文 — は rbind() で積み重ねます。

jan <- data.frame(id = c(1, 2), amount = c(250, 40))
feb <- data.frame(id = c(3, 4), amount = c(120, 60))

print(rbind(jan, feb))

要件は厳格です。両方のデータフレームが同じ列名を持たなければなりません（順序は自由です — rbind は名前で対応付けます）。列の不足や余分はエラーであり、NA で埋められることはありません。束ごとに列がずれている場合は、dplyr の bind_rows() の方が寛容です — 名前で揃え、欠けた部分を NA で埋めます。

キー重複による爆発

古典的なジョインの事故は、一意だと信じていたキーが実は一意でない — しかも 両方の 表で — というものです。すべての一致がすべての一致と組み合わさり、行が掛け算されます。

a <- data.frame(id = c(1, 1), x = c("a1", "a2"))
b <- data.frame(id = c(1, 1), y = c("b1", "b2"))

merged <- merge(a, b, by = "id")
print(merged)
cat("rows:", nrow(merged), "\n")

2 行と 2 行のジョインが 4 行を生みます — 各 x が各 y と組み合わさるからです。実データでは、これが 1 万行の表を 300 万行に、売上合計を 2 倍にする仕組みです。merge() はこれを黙って行います。防御策は習慣です。ジョインの前に、一意だと仮定しているキーを確認し（anyDuplicated(customers$id) が 0 であるべきです）、ジョインの後に nrow() を期待値と照合しましょう。

この記事のまとめ

• merge(x, y, by = "key") は内部結合です — 一致しない行は黙って消えます。
• all.x = TRUE（左）、all.y = TRUE（右）、all = TRUE（完全）は一致しない行を残し、NA で埋めます。
• キー名が異なる場合、base では by.x / by.y、dplyr では by = c("a" = "b") を使います。
• dplyr は各ジョインに名前を与えます。過小評価されているのは、一致 しなかった 行を返す anti_join() です。
• rbind() は同じ形の表を積み重ねます。列は名前で一致しなければなりません。
• キーの重複は黙って行を掛け算します — 前に anyDuplicated()、後に nrow() を確認しましょう。

次は 横持ちと縦持ちの間の変形 — pivot_longer() と pivot_wider() です。