11  データの結合

利用するパッケージを読み込みます。

library(dplyr) # データ操作
library(knitr) # 作表
library(kableExtra) # 作表拡張

11.1 データフレームの結合

次に、よく使うのだけれど、結構ややこしいデータフレームの結合(merge)について説明します。 データフレームの結合には、基本関数のcbind()やrbind()を使うこともできますが、tidyverseのdplyrパッケージのJOIN関数を使うと、より簡単に結合できます。

日本の自動車メーカーの会計情報を使います。 まずはdata.frame()関数を使って、name，year，saleという3つの変数をもつデータフレームを作成します。

本によっては、data.frame()関数の代わりにtibble()関数を使ってデータフレームを作成するようにしているものもあります。 tibble()関数は、data.frame()関数の代わりに使うことができ、作成されるデータフレームにはtibbleというクラスが付与されます。 tibbleクラスのデータフレームは、data.frameクラスのデータフレームと比べて、便利な特徴が与えられていますが、ここでは基本関数data.frame()を使ってデータフレームを作成します。

df_car <- data.frame( # データフレームを作成
    name = c(rep("トヨタ",2),rep("日産",2),rep("ホンダ",2)), # 企業名
    year = rep(c("2022", "2023"),3), # 年度
    sale = c(31379507,37154298,8424585,10596695,14552696,16907725)  # 売上高
)
df_car |> kable() |> kable_styling(font_size = 24)

name	year	sale
トヨタ	2022	31379507
トヨタ	2023	37154298
日産	2022	8424585
日産	2023	10596695
ホンダ	2022	14552696
ホンダ	2023	16907725

11.2 データを縦に結合する

データを縦に結合する，ということは，データフレームの行を追加することです。具体的には観測値を追加することになり，変数の数は変わりません。

2つのデータフレームを結合して行だけが増える結合を縦結合、 列が増える結合を横結合と呼びます。

ここでは，作成したdf_carに、各社2024年の売上高のデータが入ったデータフレームdf_car_2024を追加したいとします。 2024年度の業績予想データが入ったデータフレームを作成します。

df_car_2024 <- data.frame(
    name = c("トヨタ", "日産", "ホンダ"),
    year = c(rep(2024,3)),
    sale = c(38000000, 12400000, 18200000)
)
df_car_2024 |> kable() |> kable_styling(font_size = 24)

name	year	sale
トヨタ	2024	38000000
日産	2024	12400000
ホンダ	2024	18200000

データフレームの縦結合

2つのデータフレームを縦に結合するには、基本関数のrbind()を使うか、dplyrパッケージのbind_rows()関数を使います。

11.2.1 rbind()関数の場合

rbind()関数を使う場合は、以下のようにします。

df_car_add <- rbind(df_car, df_car_2024)
df_car_add |> kable() |>
    row_spec(7:9, bold = TRUE, background = 'mistyrose')

name	year	sale
トヨタ	2022	31379507
トヨタ	2023	37154298
日産	2022	8424585
日産	2023	10596695
ホンダ	2022	14552696
ホンダ	2023	16907725
トヨタ	2024	38000000
日産	2024	12400000
ホンダ	2024	18200000

データフレームに下から新たなデータが加わっていることが分かります。 たとえ，変数の順番が異なっていたとしても，変数名が一致していれば，簡単にデータを縦に結合することができます。 saleとyearの変数の順番を入れ替えてみます。

df_car_2 <- data.frame(
    name = c("トヨタ", "日産", "ホンダ"),
    sale = c(38000000, 12400000, 18200000),
    year = c(rep(2024,3))
    )
df_car_add2 <- rbind(df_car, df_car_2)
df_car_add2 |> kable() |>
    row_spec(7:9, bold = TRUE, background = 'mistyrose')

name	year	sale
トヨタ	2022	31379507
トヨタ	2023	37154298
日産	2022	8424585
日産	2023	10596695
ホンダ	2022	14552696
ホンダ	2023	16907725
トヨタ	2024	38000000
日産	2024	12400000
ホンダ	2024	18200000

上手くいきました。 しかし変数の数や名前が一致しないと， match.names(clabs, names(xi)) でエラー: 名前が以前の名前と一致しませんというエラーがでて結合できません。 したがってrbind()関数は変数名と変数の数が一致するデータフレーム同士の縦結合であれば、適切な処理が行われるため、names()関数やdplyr::rename()関数を使って，変数名が一致するように変更しておきましょう。

11.2.2 bind_rows()関数の場合

dplyrパッケージのbind_rows()関数は、2つのデータフレームの変数名を参照して縦結合をしてくれます。 bind_rows()を使う場合は、以下のようにします。

df_car |> bind_rows(df_car_2024)

11.3 データを横に結合する

データを横に結合する，とは，データフレームの列を追加することです。具体的には変数を追加することになり，観測値の数は変わりません。 ただ縦の結合とは異なり，横の結合は少し複雑になります。

データを横に結合する方法の1つは，基本関数のcbind()を使うことです。 データフレームdf_carに，各社の(親会社株主に帰属する)当期純利益niもデータフレームに追加したいとします。 niを変数とするデータフレームを作成します。

df_car_ni <- data.frame(
    name = c(rep("トヨタ",3),rep("日産",3),rep("ホンダ",3)),
    year = rep(c("2022", "2023", "2024"),3), # 時点
    ni = c(2850110, 2451318, 2580000,
           215533, 221900, 315000,
           707067, 651416, 800000)
)
df_car_ni |> kable() |> kable_styling(font_size = 24)

name	year	ni
トヨタ	2022	2850110
トヨタ	2023	2451318
トヨタ	2024	2580000
日産	2022	215533
日産	2023	221900
日産	2024	315000
ホンダ	2022	707067
ホンダ	2023	651416
ホンダ	2024	800000

これをdf_car_addに右から結合します。

cbindによる横結合

df_cbind <- cbind(df_car_add, df_car_ni)
df_cbind

name	year	sale	name	year	ni
トヨタ	2022	31379507	トヨタ	2022	2850110
トヨタ	2023	37154298	トヨタ	2023	2451318
日産	2022	8424585	トヨタ	2024	2580000
日産	2023	10596695	日産	2022	215533
ホンダ	2022	14552696	日産	2023	221900
ホンダ	2023	16907725	日産	2024	315000
トヨタ	2024	38000000	ホンダ	2022	707067
日産	2024	12400000	ホンダ	2023	651416
ホンダ	2024	18200000	ホンダ	2024	800000

df_carの右側にdf_car_niが結合されていることが分かります。 しかし、この結合に問題があることは一目瞭然です。 重複した変数があるうえに、nameやyearの順番がバラバラです。 つまり行が観測値を表しておらず、整然データではなくなりました。

この問題を解決するためには、nameとyearの2つの変数をキーとして、データを結合する必要があります。 このような結合をマージと呼びます。以下では、マージの方法を説明します。

11.3.1 JOIN関数を使う

データフレームの結合は基本関数でもできますが、tidyverseのdplyrパッケージのJOIN関数が便利です。

11.3.2 JOIN関数

dplyrパッケージのJOIN関数には、以下の4つがあります。

• inner_join() : 内部結合
• left_join() : 左外部結合
• right_join() : 右外部結合
• full_join() : 完全外部結合

それぞれの結合の結果をベン図で表すと以下のようになります。

結合

結合のイメージ図は以下の通りです(この図は、Hadley Wickham, Mine Çetinkaya-Rundel, and Garrett Grolemundによる”R for Data Science”の図を引用しています)。

結合結果

内部結合は、2つのデータフレームの共通の変数の値が一致する行のみを抽出するため、結合後のデータフレームが非常に小さくなりがちであるため、ほとんど使用しません。 最も利用する可能性が高いのは、結合元のデータフレームのすべての行を残す左外部結合です。 これはdplyr::left_join()で実行できます。

11.3.2.1 左外部結合

左外部結合

left_join()の引数は、以下の通りです。

• x : 結合元のデータフレーム
• y : 結合するデータフレーム
• by : 結合する変数

df_carとdf_car_niをnameとyearの2つの変数をキーとして左外部結合します。 ここで重要なことは，キーとなる変数で観測値がユニークになっている，ということです。 ここの例だと，nameがトヨタ，yearが2023，という観測値(つまり行)は1つだけになっている，ということです。

重要

JOIN関数で2つのデータフレームを結合するときは，1つ以上のキーとなる変数が，結合元のデータフレームと結合するデータフレームの両方に存在し，またキーの値により行が一意に決まる，つまり観測値がユニークになっていることが重要です。

左外部結合

dplyrパッケージのleft_join()関数次のようにします。

左外部結合の書き方

# nameとyearで左外部結合
df_car_left <- df_car_add |> # 結合先
    left_join(df_car_ni, by = c("name", "year")) # 結合元
# 表にする
df_car_left |> kable() |>
    column_spec(4, bold = TRUE, background = 'mistyrose')

name	year	sale	ni
トヨタ	2022	31379507	2850110
トヨタ	2023	37154298	2451318
日産	2022	8424585	215533
日産	2023	10596695	221900
ホンダ	2022	14552696	707067
ホンダ	2023	16907725	651416
トヨタ	2024	38000000	2580000
日産	2024	12400000	315000
ホンダ	2024	18200000	800000

この結果をみると、うえで行ったcbind()関数とは異なり、結合のキーに指定したnameとyearの順番が揃っていることが分かります。

左外部結合の結果

ここまでで，変数の数と名前が一致するデータフレーム同士の縦結合と，キーとなる変数で観測値がユニークになっているデータフレーム同士の横結合を説明しました。

次は，観測値が異なるデータフレームの結合や，キーにより観測値がユニークにならないデータフレームの結合について説明します。

11.4 異なるサイズのデータフレームの結合

df_car_addとdf_car_niは、同じサイズのデータフレームでしたが、異なるサイズのデータフレームを結合することもできます。 たとえば、元のdf_carに、マツダの2022年と2023年の売上高を追加してみます。

df_car_mazda <- data.frame(
    name = c("マツダ", "マツダ"),
    year = c(2022, 2023),
    sale = c(3120349, 3826752)
)
df_car_mazda <- rbind(df_car,df_car_mazda)
df_car_mazda

name	year	sale
トヨタ	2022	31379507
トヨタ	2023	37154298
日産	2022	8424585
日産	2023	10596695
ホンダ	2022	14552696
ホンダ	2023	16907725
マツダ	2022	3120349
マツダ	2023	3826752

これにdf_car_niを左外部結合するとどうなるか確認してみましょう

マツダのデータ

df_car_mazda_left <- df_car_mazda |>
    left_join(df_car_ni, by = c("name", "year"))
df_car_mazda_left |> kable() |>
    row_spec(7:8, bold = TRUE, background = 'mistyrose')

name	year	sale	ni
トヨタ	2022	31379507	2850110
トヨタ	2023	37154298	2451318
日産	2022	8424585	215533
日産	2023	10596695	221900
ホンダ	2022	14552696	707067
ホンダ	2023	16907725	651416
マツダ	2022	3120349	NA
マツダ	2023	3826752	NA

左外部結合は，結合元のデータフレームのすべての行を残すため，結合後のデータフレームの行数は結合元のデータフレームの行数と同じになります。 したがって，df_car_mazdaの行数は8行のままで，niという変数が追加されていますが，マツダの2022年と2023年のデータにはNAが入っています。 結合するデーレフレームdf_car_niに入っていた2024年のデータは、結合先のdf_car_mazdaには存在しないためです。 基本的に主となるデータフレームのデータを維持したいことがおおいため，左外部結合を使うことが多いです。

11.5 観測値がユニークでない場合

キー変数で行がユニークにならないとき，1対多や多対1，多対多の関係があり，結合後のデータフレームの行数が増えることになります。 どのような挙動になるのかを理解して，データフレームの結合を行いましょう。 理想的には，1対1対応となるように，データを整理してから結合するのが望ましいです。

• 1対多の結合 : 結合するデータフレームがユニークでない
• 多対1の場合 : 結合先のデータフレームがユニークでない
• 多対多の場合 : どちらのデーレフレームもユニークでない

それぞれのケースに対して，left_join()関数を適用した結果がどうなるのかを理解しておきましょう。

11.5.1 多対1の結合

以下の例だと，結合元のデータフレームdf_carには，ホンダの2023年のデータが2つあります。

df_car_duplicate <- data.frame( # データフレームを作成
    name = c(rep("トヨタ",2),rep("日産",2),rep("ホンダ",3)),
    year = c(rep(c("2022", "2023"),3), 2023), # 時点
    sale = c(31379507,37154298,8424585,10596695,14552696,16907725,18706224) # 気温
)
df_car_duplicate |> kable() |>
    row_spec(7, bold = TRUE, background = 'mistyrose')

name	year	sale
トヨタ	2022	31379507
トヨタ	2023	37154298
日産	2022	8424585
日産	2023	10596695
ホンダ	2022	14552696
ホンダ	2023	16907725
ホンダ	2023	18706224

このデータフレームには，ホンダの2023年のデータが2つあります。 たとえば，IFRS採用直後だと日本基準とIFRSのデータが記載されていることがあり，このように企業名と年度だけでは観測値がユニークにならないことがあります。

このデータフレームにdf_car_niを左外部結合するとどうなるか確認してみましょう

df_car_duplicate_left <- df_car_duplicate |>
    left_join(df_car_ni, by = c("name", "year"))
df_car_duplicate_left |> kable() |>
    row_spec(6:7, bold = TRUE, background = 'mistyrose')

name	year	sale	ni
トヨタ	2022	31379507	2850110
トヨタ	2023	37154298	2451318
日産	2022	8424585	215533
日産	2023	10596695	221900
ホンダ	2022	14552696	707067
ホンダ	2023	16907725	651416
ホンダ	2023	18706224	651416

結合先のデータフレームがキーにでユニークになっていないので，エラーになるかと思いきや，エラーにならずに結合され，ホンダの2023年の2つの観測値に同じ当期純利益の数値が入っています。

多対1の場合は，結合先のデータフレームのキーが重複している行に，結合元のデータを割り当て，重複分だけ結合後のデータフレームの行数が増えてしまいます。

11.5.2 1対多の結合

逆のケースもやってみましょう。 結合元のデータフレームはユニークだが，結合するデータフレームがユニークではない場合です。 先ほどの例とは逆に，df_car_niにdf_car_duplicateを左外部結合するとどうなるか確認してみましょう

# 左外部結合
df_car_ni_duplicate_left <- df_car_ni |>
    left_join(df_car_duplicate, by = c("name", "year"))
# 結合後のデータフレーム
df_car_ni_duplicate_left |>
    kable() |>
    row_spec(c(3,6,10), bold = TRUE, background = 'lightcyan') |>
    row_spec(8:9, bold = TRUE, background = 'mistyrose')

name	year	ni	sale
トヨタ	2022	2850110	31379507
トヨタ	2023	2451318	37154298
トヨタ	2024	2580000	NA
日産	2022	215533	8424585
日産	2023	221900	10596695
日産	2024	315000	NA
ホンダ	2022	707067	14552696
ホンダ	2023	651416	16907725
ホンダ	2023	651416	18706224
ホンダ	2024	800000	NA

結合元のdf_car_niは2024年のデータがありますが，結合するdf_car_duplicateには2024年のデータがないため，左外部結合したデータフレームの2024年のsaleは欠損値NAになっています(青色の行)。

また注目すべきは，結合元のホンダの2023年のniは1つだけだったのにたいして，結合後には2つになっており，そこにsaleが左から結合されています(オレンジの行)。

つまり、結合先のデータフレームがユニークでない場合、結合元のデータが重複してniの値に入っています。

11.5.3 多対多の結合

結合先も結合元もユニークでない場合、データフレームを結合しようとすると、Warningがでます。 JOIN関数の引数にrelationship = "many-to-many"を設定することで、警告をけすことができます。

以下では、シンプルなデータフレームを用いて、多対多の結合の例を示します。

df1 <- tibble(x = 1:3) # ユニーク
df2 <- tibble(x = c(1, 1, 2), y = c("first", "second", "third")) # ユニークでない　
df3 <- tibble(x = c(1, 1, 1, 3)) # ユニークでない

練習用データフレーム

df1にdf2を左外部結合すると

df1 |>
    left_join(df2, join_by(x)) |> # x列がキー
    kable(align = "cl",) |> # センタリング
    kable_styling(full_width = FALSE)

x	y
1	first
1	second
2	third
3	NA

結合キーとなるxに対して、結合先のdf1の1は1つですが、df2の1は2つあるため、1対多の結合となり、結合後はxの1が2行に増え、df2のfirstとsecondの値が入っていることが分かります。

図で書くとこうなってます。

1対多

次に，df3にdf2を左外部結合すると

df3 |> left_join(df2)

Joining with `by = join_by(x)`

Warning in left_join(df3, df2): Detected an unexpected many-to-many relationship between `x` and `y`.
ℹ Row 1 of `x` matches multiple rows in `y`.
ℹ Row 1 of `y` matches multiple rows in `x`.
ℹ If a many-to-many relationship is expected, set `relationship =
  "many-to-many"` to silence this warning.

x	y
1	first
1	second
1	first
1	second
1	first
1	second
3	NA

warningsがでます。 このようにレアケースとして多対多関係が予想される場合，relationship = "many-to-many"を設定して警告をけしましょう。

df3 %>% left_join(df2, by = join_by(x), relationship = "many-to-many")

x	y
1	first
1	second
1	first
1	second
1	first
1	second
3	NA

多対多

このように，結合するデータフレームのキーとなる変数で観測値がユニークでない場合は，dplyr::left_join()関数は，自動的にデータを補完して結合してしまうため，それを理解して使う必要があります。

11.6 JOIN関数のオプション

left_join()の引数には，以下のものが用意されています。

• by : 結合する変数を指定する。

• join_by() : 複数のキーを指定する。変数名を指定する場合は，join_by(a == b, c == d)のようにする。

• copy : 特殊なときにしか使わないのでここでは無視

• suffix : 同じ変数名があるときに，結合後の変数名に付ける接尾辞を指定する。デフォルトだとxがつく。

• keep : 結合キーの保持を決める。デフォルトはnullで，結合先のキー変数のみが残る。trueだと両データフレームのキー変数が保持される。

• na_matches : NAとNaNなどの扱い。デフォルトは同じように処理する。

• multiple : 結合先の行が結合元に複数マッチする場合の処理を指定する。 結合先の各行に対して，デフォルトのallは、結合元で検出された全てのマッチを返します。これはSQLと同じ動作です。

• unmatched : 結合先の行が結合元にマッチしない場合の処理を指定する。デフォルトはallで，結合元の行を残す。

• relationship : 結合先と結合元のキーの対応関係を指定

  • NULL : デフォルトで，
  • one-to-one : 結合先と結合元のキーの対応関係が1対1のときに使う。
  • one-to-many : 結合元の各行が結合先の最大1行と対応
  • many-to-one : 結合先の各行が結合元の最大1行と対応
  • many-to-many : 多対多関係が想定されているときに使うらしい。