データ解析の流れ(2): データの連結

データの読み込みに続いて、2つのデータの連結を行います。データ解析の際、計算や、グラフを作成する前に費やされる時間のほとんどが、このデータの連結と、データの抽出（フィルタリング）の作業になりがちです。tidyverse には、それらをサポートする関数が整備されているので、大変助かります。

inner_join() によるデータの連結

input_data の中身は、下記のようになっています。ある Id のアイテムについて、Sample1 と Sample2 の数値データがあります。

> input_data
# A tibble: 3 × 3
  Id    Sample1 Sample2
  <chr>   <dbl>   <dbl>
1 id1         1       4
2 id2         2       5
3 id3         3       6

これに連結したいデータが meta_data です。これは、各IDについて説明したデータで、それぞれの Id について、Symbol （シンボル）と Description （記述）があります。

> meta_data
# A tibble: 4 × 3
  Id    Symbol Description
  <chr> <chr>  <chr>
1 id1   AAA    lorem ipsum a
2 id2   BBB    lorem ipsum b
3 id3   CCC    lorem ipsum c
4 id4   DDD    lorem ipsum d

計算に用いる数値データと、それを説明する情報のデータ（計算には必要ない）という組み合わせは、よくあります。その場合、どちらも共通な項目があれば、それをキーに、2つのデータを関連づける（結合させる）ことができるはずです。

つまり、 id1 の数値データ (Sample1, Sample2) に、これを説明する Symbol である AAA を、id2 には BBB を、 id3 には、 CCC を結合させることになります。

これを実現する関数が、 inner_join() です。
「inner_join(input_data, meta_data, by = "Id")」と、コンソールに入力すると結果が表示されます。

> inner_join(input_data, meta_data, by = "Id")
# A tibble: 3 × 5
  Id    Sample1 Sample2 Symbol Description
  <chr>   <dbl>   <dbl> <chr>  <chr>
1 id1         1       4 AAA    lorem ipsum a
2 id2         2       5 BBB    lorem ipsum b
3 id3         3       6 CCC    lorem ipsum c

意図していた通りに結合されていることが確認できます。by = "Id" として、Id をキーにして結合させることを明示していますが、2つのデータに共通な項目が1つしかない場合は、省略も可能です。下記は、省略した例です。 Joining, by = "Id" と推測して処理されていることが確認できます。

> inner_join(input_data, meta_data)
Joining, by = "Id"
# A tibble: 3 × 5
  Id    Sample1 Sample2 Symbol Description
  <chr>   <dbl>   <dbl> <chr>  <chr>
1 id1         1       4 AAA    lorem ipsum a
2 id2         2       5 BBB    lorem ipsum b
3 id3         3       6 CCC    lorem ipsum c

この inner_join という考え方は、データベースのテーブルを連結する際に使用されていたSQL言語のクエリーの「INNER JOIN」が元になっています。2つテーブルの共通部分を結合するので「インナー」です。そのため、上記の例でも、meta_data にしかない id4 のデータは、結果に含まれていません。

補足: left_join, right_join

共通でないものを残す場合は、left_join() または right_join() を使います。この場合、右 (right) の meta_data に対して連結させると、 id4 が残ります。input_data には、 id4 がないので、 Sample1 と Sample2 の値は、NA (not available) になります。

> right_join(input_data, meta_data)
Joining, by = "Id"
# A tibble: 4 × 5
  Id    Sample1 Sample2 Symbol Description
  <chr>   <dbl>   <dbl> <chr>  <chr>
1 id1         1       4 AAA    lorem ipsum a
2 id2         2       5 BBB    lorem ipsum b
3 id3         3       6 CCC    lorem ipsum c
4 id4        NA      NA DDD    lorem ipsum d