Skip to content

Data Science › R Foundations › dplyr 合併資料

dplyr 合併資料 (Joining Data with dplyr) ​

join 是最容易「沒報錯但結果已經錯」的步驟:key 不唯一會讓列數爆增,型別或大小寫不一致會讓資料悄悄消失。動手前先回答三個問題:每張表一列代表什麼(grain)?用哪些欄位對齊(key)?要保留交集、左表全部,還是兩邊全部? SQL 對照見 SQL JOIN 與集合運算,pandas 對照見 reshape 與 merge。

join 類型 ​

函式保留加入右表欄位?典型用途SQL / pandas
inner_join()兩邊都配對到的列是只分析交集INNER JOIN / how="inner"
left_join()左表全部是,沒配對補 NA主表補註解(最常用)LEFT JOIN / how="left"
right_join()右表全部是等同交換左右再 left joinRIGHT JOIN
full_join()兩邊全部是稽核兩份清單的覆蓋FULL OUTER JOIN / how="outer"
semi_join()左表中有配對的列否用另一表當篩選條件WHERE EXISTS / isin()
anti_join()左表中沒配對的列否找對不上的 key(QC)WHERE NOT EXISTS / ~isin()
cross_join()所有組合是建完整格子(也可用 expand_grid())CROSS JOIN
r
library(dplyr)

# 基本:明確寫 key,不要依賴自動找同名欄
counts_annot <- counts |> left_join(gene_annot, by = "gene_id")

# key 名稱不同、多個 key:join_by()(dplyr ≥ 1.1.0)
inventories |> inner_join(inventory_parts, by = join_by(id == inventory_id))
batmobile |>
  inner_join(batwing, by = join_by(part_num, color_id),
             suffix = c("_batmobile", "_batwing"))      # 非 key 的同名欄加後綴
# 舊寫法:by = c("id" = "inventory_id")

# 篩選型 join
samples |> semi_join(passed_qc, by = "sample_id")       # 只留通過 QC 的樣本
samples |> anti_join(gene_annot, by = "gene_id")        # 哪些基因沒有註解?

非等值 join ​

dplyr ≥ 1.1.0 的 join_by() 支援不等式、區間與最近值,基因體座標比對很常用。

r
# 變異位點落在哪個基因區間(同染色體、pos 在 start–end 之間)
variants |>
  left_join(genes, by = join_by(chrom, between(pos, start, end)))

# 每個樣本對應「採樣日之前最近一次」的檢驗值
samples |>
  left_join(labs, by = join_by(patient_id, closest(sample_date >= lab_date)))

大量區間重疊(百萬筆以上)改用 GenomicRanges::findOverlaps() 或 data.table::foverlaps(),見 data.table 合併與重塑。

基數 (cardinality) 與列數爆增 ​

關係例子join 後列數
one-to-one樣本 ↔ 樣本 metadata不變
many-to-one讀數表 → 基因註解(每基因一列)不變(left join)
one-to-many病人 → 多次就診變多(預期中)
many-to-many兩邊 key 都重複乘積式爆增,幾乎都是錯誤
r
# join 前:確認 lookup 表的 key 唯一
gene_annot |> count(gene_id) |> filter(n > 1)

# join 時:宣告預期關係,違反就報錯(dplyr ≥ 1.1.0)
counts |> left_join(gene_annot, by = "gene_id", relationship = "many-to-one")

# inner join 會悄悄丟掉對不上的列:unmatched = "error" 讓它報錯(檢查 x 與 y 兩邊)
counts |> inner_join(gene_annot, by = "gene_id", unmatched = "error")

# join 後:驗證
stopifnot(nrow(counts_annot) == nrow(counts))
counts_annot |> summarize(missing_symbol = sum(is.na(symbol)))

dplyr ≥ 1.1.0 偵測到 many-to-many 時會發出 warning。不要用 suppressWarnings() 蓋掉,回頭檢查 key。

key 對不上的常見原因 ​

原因例子修正
型別不同"001"(character)vs 1(numeric)匯入時固定 col_types;join 前統一型別
版本後綴ENSG00000141510.17 vs ENSG00000141510str_remove(id, "\\.\\d+$")
大小寫 / 空白"tp53 " vs "TP53"str_trim()、str_to_upper()
基因 symbol 別名"p53"、舊 symbol改用穩定 ID(Ensembl / Entrez)join
染色體命名"chr1" vs "1"統一一種慣例
數值 key 的浮點誤差計算後的 0.30000000000000004不要用浮點數當 key
NA keydplyr 預設 NA 會互相配對na_matches = "never"(同 SQL 行為)

檢查清單 ​

  1. 寫下每張表的 grain,以及 join 後預期的 grain。
  2. key 明確寫在 by;lookup 表先檢查唯一性。
  3. 依問題選 join 類型;不確定時先 left_join(),再看哪些 NA。
  4. 用 anti_join() 找出對不上的 key,確認原因後再決定要不要丟。
  5. join 後檢查列數、NA 數、關鍵分組摘要是否合理。