joinでテーブル結合(4).R

要約

・semi/anti_joinを使ったjoin前の確認
・引数 suffixの使い道

join関係その他

　前回までの記事で書き残したことを、雑多に集めてみた。調べるほど色んなものが出てくる。joinそのものについては、ここで一段落としたい。

semi_join()とanti_join()

　左テーブルのうち、右と突き当る予定＝joinされるものだけが表示されるのがsemi_join()で、右と突き当らない＝joinされないものだけが表示されるのがanti_join()だ。
　このとき、出力されるのは左テーブルにある項目だけになる。
　例えば、semi_join()とinner_join()では、ともに突き当るものだけが出力されるのだけれども、前者では左テーブルのみ出力され、後者ではjoin結果全体が出力される。
　また、semi_join()もanti_join()も、あくまでも左テーブルについてだけ出力するので、右テーブルについても当たる／当たらないを確認したければ左右を入れ替えてあげる必要がある。
　いずれにせよ、当たる／当たらないが簡便に確認出来て便利だ。

> semi_join(x, y, c("Kibo" = "ShoCo"))
 NO SEX AGE ShoCo Kibo
1  1  男  26     1    2
2  3  女  27     4    3
3  4  男  25     5    1
4  5  女  24     5    4
5  6  女  29     3    1

> anti_join(x, y, c("Kibo" = "ShoCo"))
 NO SEX AGE ShoCo Kibo
1  2  男  28     3    6

> semi_join(y, x, c("ShoCo" = "Kibo"))
 ShoCo ShoMei
1     1 総務部
2     2 経理部
3     3 営業部
4     4 設計部

> anti_join(y, x, c("ShoCo" = "Kibo"))
 ShoCo ShoMei
1     5 生産部

引数 suffix

　mutating joinの4関数の引数ではあるものの、以前の記事では記載を省略した。備忘として残しておく。

　suffixについては、まず以下のようにパイプ処理で2段階にjoinしたものを見てほしい。1段目で左テーブルのShoCoを、2段目でKiboをキーにしてjoinしている。
　ShoMeiの後ろに.xまたは.yがくっついて出力されているのが分かる。これがsuffixだ。2段階で処理をしているが、いずれも右テーブルにあったShoMei列が追加される。
　これでは列名が重複して一意の名前にならないので、自動でsuffixを付けることで一意になるようにしてくれている。
　この場合、1段目のjoinで生成しているはずのShoMei列が2段目の左テーブルとして入力されているので、すでにある方がShoMei.x、右テーブルからさらにjoinされる方がShoMei.yという名前になる。
　x, yは単に由来するのが左か右かだけで決まる。
　やってみると分かるのだけど、テーブルの名前がsuffixになるわけではない。なってくれてよかったのに……いやパイプ処理があると命名規則でもめるかな。
　使い道としては、例えばキー列の名前を使って、suffix = c(".ShoCo", ".Kibo")　のように指定することで何をキーにしたときの結果なのか、suffixを見てわかるようになる。

> left_join(x, y) %>% left_join(., y, by = c("Kibo" = "ShoCo"))
Joining, by = "ShoCo"
 NO SEX AGE ShoCo Kibo ShoMei.x ShoMei.y
1  1  男  26     1    2   総務部   経理部
2  2  男  28     3    6   営業部     <NA>
3  3  女  27     4    3   設計部   営業部
4  4  男  25     5    1   生産部   総務部
5  5  女  24     5    4   生産部   設計部
6  6  女  29     3    1   営業部   総務部

> z <- x
> left_join(z, y) %>% left_join(., y, by = c("Kibo" = "ShoCo"))
Joining, by = "ShoCo"
 NO SEX AGE ShoCo Kibo ShoMei.x ShoMei.y
1  1  男  26     1    2   総務部   経理部
2  2  男  28     3    6   営業部     <NA>
3  3  女  27     4    3   設計部   営業部
4  4  男  25     5    1   生産部   総務部
5  5  女  24     5    4   生産部   設計部
6  6  女  29     3    1   営業部   総務部

> left_join(x, y) %>% left_join(., y, by = c("Kibo" = "ShoCo"), suffix = c(".ShoCo",".Kibo"))
Joining, by = "ShoCo"
 NO SEX AGE ShoCo Kibo ShoMei.ShoCo ShoMei.Kibo
1  1  男  26     1    2       総務部      経理部
2  2  男  28     3    6       営業部        <NA>
3  3  女  27     4    3       設計部      営業部
4  4  男  25     5    1       生産部      総務部
5  5  女  24     5    4       生産部      設計部
6  6  女  29     3    1       営業部      総務部

　実はそれ以外にcopyという引数を指定することができる（デフォルトはcopy = F）。
　ところが、これがいまいちよくわからない。何しろ、dplyr::のチートシート（パッケージ内の各関数の概要が載ってるもの）を見ても、copyの項がない。suffixは書いてあるのに。チートシートを見ても、ちいとも分からない。

　さておき、copy = Tを指定すると「データソースが異なる際にxにyをコピーすることができる」らしい。とはいうものの、やってみても出力は変化しない。
　下記を流し読みした限りでは、おそらく各テーブルを外部のDB（＝データソース）とリンクさせてるときに、どちらかのDBに対して一時テーブルを作れるよう要求している感じがある（反対に、copy = FならRを実行しているPCのメモリに両方のテーブルのを持ってきている？）
　まあ、INSERTの権限云々言ってるから、普段相手にしてるデータソースでは権限なかった気がするので、そもそも一度ローカルに取り込んでからじゃないと無理かなあ（i.e. 出番がない AND 権限気を付けなきゃ）。
　あと詳しそうな人の記事に、重くなるから気を付けろって書いてあった。

How to make a left_join(..., copy=TRUE) in dplyr without granting INSERT privileges

以上。