R 语言合并与连接数据框（merge、left_join）

两张表，一个键

真实数据很少只放在一张表里。客户在一个数据框里，他们的订单在另一个数据框里，而“每位客户花了多少钱？”这个问题两者都要用到。把它们连接起来的是键：两张表中都有的一列，用来标识同一个实体。按键组合表叫作连接（join，SQL 的说法）或合并（merge，base R 的说法），其实是同一种操作。

下面是本页其余部分要用到的两张表。注意 5 号客户下了订单，却不在客户表中；2 号和 4 号客户则从未下过单：

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)

这些不匹配是故意安排的：连接如何处理不匹配的行，正是区分各种连接类型的关键。

merge()：默认是内连接

merge(x, y, by = "key") 会匹配键相等的行，并把它们的列拼接在一起。默认情况下，它只保留两张表中都存在的键，也就是内连接：

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"))

返回了三行。Ana 出现了两次：她有两笔订单，而连接会为每一对匹配都产生一行输出。Ben 和 Dana 消失了（没有订单），5 号客户那笔来历不明的订单也消失了（没有对应客户）。内连接会悄悄丢弃两张表中不匹配的行：当你只关心完整的配对时，这正是你想要的；当你不是这样想时，它就是一个悄无声息的数据丢失 bug。

左连接、右连接和全连接：all.x、all.y、all

要保留不匹配的行，就要说明哪张表的行不能丢。all.x = TRUE 保留第一张表的每一行，这就是左连接，实际中用得最多的连接：

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))

现在 Ben 和 Dana 保留了下来，它们的 amount 为 NA，意思是“这位客户存在，但没有匹配的订单”。这些 NA 是有信息量的，不是垃圾：is.na(result$amount) 恰好就是从未下单的客户名单（如何处理它们见缺失值文档）。其余几种变体只是把同一个思路换了个方向：all.y = TRUE 保留第二张表的每一行（右连接，来自未知的 5 号客户的订单会保留下来，name 为 NA），all = TRUE 则保留两边的全部内容（全连接）。

选择时问自己：哪张表的行我不能丢？ 用查找表的数据充实一张主表，用左连接，把主表放在前面。要从两个方向核对数据，用全连接。

键名不同：by.x 和 by.y

不同的表很少在命名上保持一致：一张叫 id，另一张叫 customer_id。不必重命名，把两个名称都告诉 merge() 即可：

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"))

输出中的键沿用第一张表的名称。相关的一点：如果两张表有同名的非键列（比如都有 date），merge 会给它们加上后缀，变成 date.x 和 date.y。尽快给它们重命名，这样的列名读起来很糟糕。

dplyr 的连接函数

dplyr 为每种连接类型都提供了一个专门的动词，所以意图体现在函数名里，而不是体现在开关参数中（这是静态代码块；沙盒只运行 base R）：

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

除了可读性更好，left_join() 还会保留第一张表的行顺序（merge() 会按键重新排序），并且在出现多对多匹配时大声警告。动词家族的介绍见 dplyr 入门。

被低估的成员是 anti_join()：它返回第一张表中在第二张表里没有匹配的行，不添加任何列，只给出剩下的那些：

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

“哪些行没匹配上？”这个问题在数据清洗中经常出现（未匹配的 ID、孤立的记录、查找失败），anti_join() 一次调用就能回答，而 base R 需要写 customers[!(customers$id %in% orders$id), ]。

堆叠行：rbind()

连接组合的是两张表的列。如果你手上是两批同类的行，比如一月的订单和二月的订单，就用 rbind() 把它们堆叠起来：

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))

要求很严格：两个数据框必须有相同的列名（顺序可以不同，rbind 按名称匹配）。缺少一列或多出一列会直接报错，而不是用 NA 填充。当各批数据的列已经不一致时，dplyr 的 bind_rows() 更宽容：它按名称对齐，并用 NA 填补空缺。

重复键导致的行数爆炸

经典的连接事故：你以为是唯一的键，其实并不唯一，而且是在两张表中都不唯一。每个匹配都会和每个匹配配对，行数成倍增加：

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")

两行连接两行得到四行：每个 x 都和每个 y 配对。在真实数据上，一张 10,000 行的表就是这样变成 300万行，营收总额也随之翻倍。merge() 会悄无声息地这样做。防御靠的是习惯：连接之前，检查你以为唯一的键，anyDuplicated(customers$id) 应该是 0；连接之后，用 nrow() 核对一下行数是否符合预期。

要点回顾

• merge(x, y, by = "key") 是内连接：不匹配的行会悄悄消失。
• all.x = TRUE（左连接）、all.y = TRUE（右连接）、all = TRUE（全连接）会保留不匹配的行，并用 NA 填充。
• 键名不同：base R 用 by.x / by.y，dplyr 用 by = c("a" = "b")。
• dplyr 为每种连接都起了名字；anti_join()（返回没有匹配上的行）是被低估的那个。
• rbind() 堆叠形状相同的表；列必须按名称一一对应。
• 重复的键会悄悄让行数倍增：连接前检查 anyDuplicated()，连接后检查 nrow()。

下一篇：用 pivot_longer() 和 pivot_wider() 在宽格式和长格式之间转换。