3.3.8 データ結合
この節の位置づけ
多くの初心者がデータ結合を初めて学ぶとき、いちばん混乱しやすいのがここです。
mergeconcatjoin
これらの名前は見たことがあっても、問題が出ると「まずどれを使えばいいのか」が分からなくなりがちです。
だからこの節でいちばん大事なのは、名前を丸暗記することではありません。まず次の判断基準を身につけることです。
今やっているのは「共通キーでそろえる」ことか、それとも「表を上下・左右にくっつける」ことか。
学習目標
merge（SQL 風の結合）を身につけるjoin（インデックスベースの結合）を理解するconcat（連結操作）を身につける- さまざまな結合方法の使い分けを理解する
まずは全体像をつかもう
データ結合は、「共通キーがあるかどうか」で考えると分かりやすいです。
この節で本当に解決したいのは、次の2点です。
- どんなときに
mergeを最初に思い浮かべるべきか - どんなときに単純な連結でよいのか
なぜデータを結合するのか？
実際のデータは、たいてい複数の表に分かれています。たとえば EC サイトなら、次のような表があります。
- ユーザー表：ユーザーID、名前、登録時間
- 注文表：注文ID、ユーザーID、商品、金額
- 商品表：商品ID、名前、カテゴリ、価格
「各ユーザーが何を買ったか」を分析するには、これらの表を結合する必要があります。
初心者向けの分かりやすいたとえ
データ結合は、次のように考えると理解しやすいです。
- さまざまな表にある情報を、同じ人や同じ記録にひも付ける
つまり、
mergeは、身分証番号で2つの台帳をそろえるイメージconcatは、2つの表を上下または左右に並べてつなぐイメージ
この違いはとても大切です。なぜなら、ここで次の2つを分けて考えられるようになるからです。
- 「そろえる」
- 「つなぐ」
この2つは、実は同じではありません。
merge：SQL 風の結合
merge は、最も強力な結合方法で、SQL の JOIN に似ています。
例データを準備する
import pandas as pd
# ユーザー表
users = pd.DataFrame({
"ユーザーID": [1, 2, 3, 4],
"名前": ["張三", "李四", "王五", "趙六"],
"都市": ["北京", "上海", "広州", "深圳"]
})
# 注文表
orders = pd.DataFrame({
"注文ID": [101, 102, 103, 104, 105],
"ユーザーID": [1, 2, 1, 3, 5], # 注意：ユーザー5はユーザー表にいない
"商品": ["スマホ", "パソコン", "イヤホン", "タブレット", "キーボード"],
"金額": [5999, 8999, 299, 3999, 199]
})
内部結合（inner join）
両方にあるものだけを残します。
result = pd.merge(users, orders, on="ユーザーID", how="inner")
print(result)
# ユーザーID 名前 都市 注文ID 商品 金額
# 0 1 張三 北京 101 スマホ 5999
# 1 1 張三 北京 103 イヤホン 299
# 2 2 李四 上海 102 パソコン 8999
# 3 3 王五 広州 104 タブレット 3999
# ユーザー4（趙六）には注文がない → 表示されない
# ユーザー5 はユーザー表にない → 表示されない
左外部結合（left join）
左側の表の行をすべて残します。
result = pd.merge(users, orders, on="ユーザーID", how="left")
print(result)
# ユーザーID 名前 都市 注文ID 商品 金額
# 0 1 張三 北京 101.0 スマホ 5999.0
# 1 1 張三 北京 103.0 イヤホン 299.0
# 2 2 李四 上海 102.0 パソコン 8999.0
# 3 3 王五 広州 104.0 タブレット 3999.0
# 4 4 趙六 深圳 NaN NaN NaN ← 趙六には注文がないので NaN になる
右外部結合（right join）
右側の表の行をすべて残します。
result = pd.merge(users, orders, on="ユーザーID", how="right")
print(result)
# ユーザー5 が表示される（名前と都市は NaN）
完全外部結合（outer join）
両方の表の行をすべて残します。
result = pd.merge(users, orders, on="ユーザーID", how="outer")
print(result)
# すべてのユーザーとすべての注文が表示され、足りない部分は NaN で埋められる
4種類の結合方法の比較
ユーザー表: {1,2,3,4} 注文表: {1,2,3,5}
inner: {1,2,3} 両方にあるもの
left: {1,2,3,4} 左表すべて + 右表で一致するもの
right: {1,2,3,5} 右表すべて + 左表で一致するもの
outer: {1,2,3,4,5} すべて残す
初心者がまず覚えやすい早見表
| 目的 | まず思い浮かべる方法 |
|---|---|
| 両方に一致する行だけ残したい | inner merge |
| 左表を基準にして、右表の情報を補いたい | left merge |
| 両方を残して、足りない部分は NaN にしたい | outer merge |
| 複数の表を上下にくっつけたい | concat(axis=0) |
| 複数の列を左右に並べたい | concat(axis=1) |
この表は初心者にとても役立ちます。なぜなら、「結合方法がたくさんある」という状態を、よくある業務目的に整理し直してくれるからです。
列名が違う場合の結合
# 2つの表で結合列の名前が違う場合
df1 = pd.DataFrame({"user_id": [1, 2], "name": ["A", "B"]})
df2 = pd.DataFrame({"uid": [1, 2], "score": [90, 85]})
result = pd.merge(df1, df2, left_on="user_id", right_on="uid")
print(result)
複数列での結合
# 複数の列で一致させる
result = pd.merge(df1, df2, on=["col1", "col2"])
concat：連結操作
concat は、複数の DataFrame を縦または横に連結するときに使います（共通キーは不要です）。
最初に concat で覚えるべきこと
まずいちばん大事なのはこれです。
concatは「キーをそろえる」のではなく、「表をつなぐ」操作です。
なので、頭の中で考えていることが
- ユーザーID が一致するか
なら、まずは merge を考えるのが自然です。
縦方向の連結（上下に追加）
# 1月と2月の売上データ
jan = pd.DataFrame({
"商品": ["リンゴ", "牛乳"],
"売上": [100, 80],
"月": ["1月", "1月"]
})
feb = pd.DataFrame({
"商品": ["リンゴ", "パン"],
"売上": [120, 90],
"月": ["2月", "2月"]
})
# 上下に連結
all_sales = pd.concat([jan, feb], ignore_index=True)
print(all_sales)
# 商品 売上 月
# 0 リンゴ 100 1月
# 1 牛乳 80 1月
# 2 リンゴ 120 2月
# 3 パン 90 2月
ignore_index=True
ignore_index=True にすると、0, 1, 2... のインデックスを作り直します。付けない場合、インデックスが重複することがあります。
横方向の連結
info = pd.DataFrame({"名前": ["張三", "李四"], "年齢": [22, 25]})
scores = pd.DataFrame({"数学": [90, 85], "英語": [88, 92]})
# 左右に連結
combined = pd.concat([info, scores], axis=1)
print(combined)
# 名前 年齢 数学 英語
# 0 張三 22 90 88
# 1 李四 25 85 92
merge vs concat vs join
| 方法 | 適用場面 | たとえ |
|---|---|---|
merge | 共通列で2つの表を結合する | SQL JOIN |
concat | 単純に上下または左右に連結する | のりで貼り合わせる |
join | インデックスで結合する | 特別な merge |
初心者がそのまま使えるデータ結合チェックリスト
初めて複数表の問題に取り組むときは、次の順番で確認すると安全です。
- 共通キーはあるか？
- キーの型と値の範囲は一致しているか？
- 結合後に行数が増えたり減ったりするのはなぜか？
- 今やっているのは「そろえる」ことか、それとも「つなぐ」ことか？
この4つを先に考えるだけで、merge / concat の問題は、魔法のように見えなくなります。
実践：複数表の結合分析
import pandas as pd
# 3つの表を作成
# 学生表
students = pd.DataFrame({
"学籍番号": [1, 2, 3, 4, 5],
"名前": ["張三", "李四", "王五", "趙六", "銭七"],
"クラス": ["A組", "B組", "A組", "B組", "A組"]
})
# 成績表（学生によっては複数科目の成績がある）
scores = pd.DataFrame({
"学籍番号": [1, 1, 2, 2, 3, 3, 4, 4, 5, 5],
"科目": ["数学", "英語", "数学", "英語", "数学", "英語", "数学", "英語", "数学", "英語"],
"点数": [90, 85, 78, 92, 88, 75, 95, 88, 72, 80]
})
# クラス情報表
classes = pd.DataFrame({
"クラス": ["A組", "B組"],
"担任": ["王先生", "李先生"],
"教室": ["101", "102"]
})
# 結合1：学生 + 成績
student_scores = pd.merge(students, scores, on="学籍番号")
print(student_scores.head())
# 結合2：さらにクラス情報を追加
full = pd.merge(student_scores, classes, on="クラス")
print(full.head())
# 分析：各クラスの平均点
print(full.groupby(["クラス", "担任"])["点数"].mean())
# 分析：各学生の合計点ランキング
total_scores = full.groupby(["学籍番号", "名前"])["点数"].sum().reset_index()
total_scores["順位"] = total_scores["点数"].rank(ascending=False, method="dense")
print(total_scores.sort_values("順位"))
まとめ
| 操作 | 関数 | 重要な引数 |
|---|---|---|
| SQL 風の結合 | pd.merge() | on, how (inner/left/right/outer) |
| 縦方向の連結 | pd.concat(axis=0) | ignore_index=True |
| 横方向の連結 | pd.concat(axis=1) | |
| インデックスでの結合 | df.join() | how |
この節で必ず持ち帰りたいこと
mergeは共通キーでそろえる操作、concatは表をつなぐ操作- 「共通キーがあるか？」を先に考えると、どの方法を使うか判断しやすい
- 複数表の分析では、後の集計ミスよりも、最初の結合ミスのほうがよく起こる
手を動かしてみよう
練習 1：基本的な merge
# 2つの表がある：社員表と部署表
# 1. inner join で結合する
# 2. left join で部署が未割り当ての社員を見つける
# 3. outer join で社員がいない部署を見つける
練習 2：複数表の結合分析
# 商品表、注文表、顧客表を作成する
# 1. 3つの表を結合して1つの完全な表にする
# 2. 各顧客がどのカテゴリの商品を買ったかを分析する
# 3. 購入金額が最も高い上位3人の顧客を見つける
練習 3：concat 連結
# 四半期ごとの売上データ（4つの独立した DataFrame）がある
# 1. 縦方向に連結して年間データにする
# 2. "四半期" 列を追加してデータの出所を示す
# 3. 年間の各四半期の売上傾向を集計する