Rで複数のデータを結合する方法【left_join・inner_join・anti_join・bind_rows】
分析に使うデータは、1つの表にまとまっていないことがほとんどです。「注文データ」と「顧客マスタ」、「1月のデータ」と「2月のデータ」のように、複数の表をつなぐ作業が必要になります。
この記事では、dplyrのjoin関数で表を横につなぐ方法と、bind_rows() で縦に積み重ねる方法を、実行結果付きで解説します。ExcelのVLOOKUPやXLOOKUPに当たる処理です。
参考記事
dplyrでデータ加工入門【filter・select・mutate・group_by・summarise】
Rでデータの縦持ち・横持ちを変換する方法【tidyrのpivot_longer・pivot_wider】
SQL EXISTS句の使い方【NOT EXISTS・INとの違い・実行例付き】
この記事で使うデータ
library(dplyr)
orders <- data.frame(
order_id = 101:106,
customer_id = c("C01", "C02", "C01", "C03", "C05", "C02"),
amount = c(5200, 3100, 4800, 9900, 2500, 6100)
)
customers <- data.frame(
customer_id = c("C01", "C02", "C03", "C04"),
name = c("佐藤", "鈴木", "高橋", "田中"),
rank = c("ゴールド", "一般", "シルバー", "一般")
)
注文データ(orders)
order_id customer_id amount
1 101 C01 5200
2 102 C02 3100
3 103 C01 4800
4 104 C03 9900
5 105 C05 2500
6 106 C02 6100
顧客マスタ(customers)
customer_id name rank
1 C01 佐藤 ゴールド
2 C02 鈴木 一般
3 C03 高橋 シルバー
4 C04 田中 一般
わざと「マスタにない顧客(C05)の注文」と「注文のない顧客(C04)」を入れています。この2人がjoinの種類によってどう扱われるかに注目してください。
join関数の種類
| 関数 | 残る行 | よく使う場面 |
|---|---|---|
left_join(x, y) |
xのすべての行 | 注文に顧客情報を付け足す(いちばんよく使う) |
inner_join(x, y) |
両方にある行だけ | 両方にそろっているデータだけで分析する |
full_join(x, y) |
どちらかにある行すべて | 抜け漏れを全部確認する |
anti_join(x, y) |
xにあって、yにない行 | マスタにない/注文のない人を探す |
by = "customer_id" のように、どの列をキーにしてつなぐかを指定します。
left_join():左の表に情報を足す
注文データに、顧客の名前とランクを付け足します。
left_join(orders, customers, by = "customer_id")
実行結果
order_id customer_id amount name rank
1 101 C01 5200 佐藤 ゴールド
2 102 C02 3100 鈴木 一般
3 103 C01 4800 佐藤 ゴールド
4 104 C03 9900 高橋 シルバー
5 105 C05 2500 <NA> <NA>
6 106 C02 6100 鈴木 一般
注文データの6行はすべて残り、マスタにないC05の行は名前とランクが NA になりました。ExcelのVLOOKUPで「#N/A」になるのと同じ状態です。
inner_join():両方にあるものだけ
inner_join(orders, customers, by = "customer_id")
実行結果
order_id customer_id amount name rank
1 101 C01 5200 佐藤 ゴールド
2 102 C02 3100 鈴木 一般
3 103 C01 4800 佐藤 ゴールド
4 104 C03 9900 高橋 シルバー
5 106 C02 6100 鈴木 一般
C05の注文が消えて5行になりました。行が減っていることに気づきにくいので、inner_joinを使うときは前後の行数を nrow() で確認するのがおすすめです。
full_join():どちらかにあればすべて残す
full_join(orders, customers, by = "customer_id")
実行結果
order_id customer_id amount name rank
1 101 C01 5200 佐藤 ゴールド
2 102 C02 3100 鈴木 一般
3 103 C01 4800 佐藤 ゴールド
4 104 C03 9900 高橋 シルバー
5 105 C05 2500 <NA> <NA>
6 106 C02 6100 鈴木 一般
7 NA C04 NA 田中 一般
注文のない田中さん(C04)も、注文の列がNAの状態で残ります。
anti_join():相手にないものを探す
一度も注文していない顧客
anti_join(customers, orders, by = "customer_id")
customer_id name rank
1 C04 田中 一般
マスタに登録されていない顧客の注文
anti_join(orders, customers, by = "customer_id")
order_id customer_id amount
1 105 C05 2500
anti_joinは、データの抜け漏れチェックにとても便利です。joinの前に実行して、「つながらない行が何件あるか」を確認しておくと安心です。SQLの NOT EXISTS と同じ考え方です。
キーの列名が違うとき
2つの表でキーの列名が違う場合は、by = c("左の列名" = "右の列名") と指定します。
master <- data.frame(cid = c("C01", "C02"), area = c("東京", "神奈川"))
left_join(orders, master, by = c("customer_id" = "cid"))
実行結果
order_id customer_id amount area
1 101 C01 5200 東京
2 102 C02 3100 神奈川
3 103 C01 4800 東京
4 104 C03 9900 <NA>
5 105 C05 2500 <NA>
6 106 C02 6100 神奈川
bind_rows():表を縦に積み重ねる
月ごとに分かれたファイルなど、同じ列を持つ表を縦につなぐときは bind_rows() を使います。
jan <- data.frame(month = "1月", store = c("渋谷店", "横浜店"), sales = c(950, 720))
feb <- data.frame(month = "2月", store = c("渋谷店", "横浜店"), sales = c(880, 650))
bind_rows(jan, feb)
実行結果
month store sales
1 1月 渋谷店 950
2 1月 横浜店 720
3 2月 渋谷店 880
4 2月 横浜店 650
列名が一致する列どうしが縦につながります。片方にしかない列は、もう片方ではNAになります。
joinでよくある落とし穴
- キーの型が違う:片方が数値、片方が文字だとエラーになります。
as.character()でそろえましょう。 - キーの表記ゆれ:「C01」と「c01」、前後の空白などがあると一致しません。
- マスタにキーの重複がある:同じcustomer_idがマスタに2行あると、注文の行が2倍に増えます。joinの前後で
nrow()を比べて確認しましょう。
まとめ
- 基本は
left_join()。左の表の行を保ったまま情報を足す - 両方にあるものだけなら
inner_join()、相手にないものを探すならanti_join() - 縦に積み重ねるときは
bind_rows() - joinの前後で行数を確認し、つながらない行がないか
anti_join()でチェックする
VLOOKUPを何列も繰り返していた作業も、joinなら1行で終わります。ぜひ実務のデータで試してみてください。
同じことをGoogle ColabのPythonで行う方法は、Pythonで複数のデータを結合する方法【pandasのmerge・concat・VLOOKUPの代わり】で紹介しています。
NEWSLETTER
Data Schoolの新着記事をメールで受け取る
新しい記事が公開されたら、メールでお知らせします。配信はいつでも停止できます。
