【Rデータ整理】データフレームの結合 : JOIN 関数

最近リバイスが返ってきて、データ整理に追われ中……

n数を増やす目的等で他から持ってきたデータを結合させた時の備忘録。

dplyr::join

dplyr パッケージの join 関数を使う。

join 関数は４種類。

• full_join
• inner_join
• left_join
• right_join

この中で一番多く使っているのは left_join と full_join

right_join は left_join のデータを入れ替えれば可能なのでほとんど使っていない。

full_join

dplyr::full_join

は、両方のデータの内容を全部残して結合する。

library("dplyr")
full_join("元データ", "結合するデータ", by="参照列名")

by = に、IDなどの列名を記載することで、その列で同じ値のデータを結合してくれる。

by = を指定しない、もしくは

by = NULL

にすると、同じ列名を全て結合してくれるので、

データが被っていない場合は、

by = NULL

にすればOK。

データAとデータBの値が違っていて、全てデータAの値を残したい場合

データAとデータBに違う値がある場合、

by = NULL

にすると両方のデータが残る。

例えば下記の場合、23行目 と 24行目 で同じデータが残っているが、それは赤枠で示した部分のデータが "元データ (Data)" と "結合するデータ (Data_Add2) で違っていたから。

今回の場合は、結合するデータに NA 値があり、元データの方の数値を残したいので、"重複行の削除" で上に表示されている元データのみを残す。

重複行の削除 : dplyr::distinct

重複行の削除は、dplyr パッケージの distinct() を使う。

distinct("重複判定する列名", .keep_all=TRUE)

distinct() は、重複判定する列名を指定すると、その列で重複するデータは、初出を残して2回目以降を削除する。

• .keep_all = FALSE で、キー項目だけが戻り値となる
• .keep_all = TRUE で、キーでない項目も含めて全項目が戻り値となる。

私が必要なのは全データなので、

.keep_all = TRUE

を選択。

もしそこから必要な列のみ取り出したい場合は、パイプで繋いで select() を使用すればOK。

distinct("重複判定する列名", .keep_all=TRUE) %>%
select("取り出したい列名1", "取り出したい列名2")

データAとデータBの値が違っていて、列によってどちらを残すか決めたい場合

場合によっては、「列１はデータAを残したいけど、列２はデータBを残したい」というような時もある。

今回は、どちらかのデータが NA で、どちらかのデータに数値が入っているもの想定して進める。

by = "列名" で、参照列を指定

by = "列名" (今回は "INDDID") でデータAとデータBを結合する際の参照列を指定する。

Data2 <- full_join(Data, Data_Add2, by="INDDID", copy=FALSE)

違う値が入っている列は、".x (データA)" と ".y (データB)" という名前で区別される。

どちらかの列に "NA" が入っているけれども、どちらかは列によって異なる場合、

which(is.na(データ$列名))

と

!is.na(データ$列名)

で、NA のあるデータを割り出し、数値のある方のデータに置換する。

which(is.na(Data2$NPDx3.x) & !is.na(Data2$NPDx3.y)) Data2$NPDx3.x[z] <- Data2$NPDx3.y[z]
dplyr::rename(Data2, NPDx3=NPDx3.x) -> Data2

z <- which(is.na(Data2$ADNC.y) & !is.na(Data2$ADNC.x)) Data2$ADNC.y[z] <- Data2$ADNC.x[z]
dplyr::rename(Data2, ADNC=ADNC.y) -> Data2

z <- which(is.na(Data2$ABeta.x) & !is.na(Data2$ABeta.y)) Data2$ABeta.x[z] <- Data2$ABeta.y[z] dplyr::rename(Data2,
ABeta=ABeta.x) -> Data2

その後、

dplyr::rename

で、.x か .y を削除する。

下記は、全部 .x のデータに置き換えて、.y の列を削除する場合 （データ名を変えて、随時保存しておくのが良い。）▼

Data3 <- select(Data2, -(ends_with(".y")))

left_join

dplyr::left_join

は、左側にある元データに、新たなデータを結合する。

library("dplyr")
left_join("元データ", "結合するデータ", by="参照列名")

by = に、IDなどの列名を記載することで、その列で同じ値のデータを結合してくれる。

by = を指定しない、もしくは

by = NULL

にすると、同じ列名を全て結合する。

元データA と 結合データB が、ID とかだけ共通でそれ以外は違う項目だった場合は、

by = "ID"

にして left_join すればOK。

気をつけるべきは、結合後のデータは元データが基本となっている、ということ。

例えば元データA の行数が結合データB の行数よりも少ない場合、

元データA に存在している行のみが結合後にされ、データB にあってデータA にない行は削除される。

また、元データA と結合データB の値が違う場合は、データA の値が反映される。

inner_join

dplyr::inner_join

は、元データA と結合データB で共通する行だけを残す。

library("dplyr")
inner_join("元データ", "結合するデータ", by="参照列名")

by = に、IDなどの列名を記載することで、その列で同じ値のデータを結合してくれる。

References