在R中以字典表合并数据框后行数增多的原因分析

为什么合并后行数变多？ #

你用的merge()函数默认是自然连接模式，而且如果字典数据框dictionary的field列存在重复值（同一个字段对应多个类别），合并时会触发笛卡尔积匹配，直接导致行数暴涨。
举个实际场景：如果字典里Germany出现两次，分别对应Europe和EU，原数据里3条Germany的记录，合并后会变成3×2=6条，总行数自然就超过原数据的20万了。另外默认的merge只会保留两边都匹配成功的行，但只要字典有重复匹配项，哪怕是内连接也会让行数异常增加。

正确的做法 #

你需要做左连接（保留原数据的所有行，匹配不到类别的填NA），同时要确保字典的field列是唯一值（避免重复匹配）。

基础左连接代码 #

# 左连接：保留原数据所有行，未匹配的category自动填NA
dat <- merge(data, dictionary, by = "field", all.x = TRUE)

若字典存在重复字段的处理 #

如果你的字典field列确实有重复值，先对字典去重，保证每个字段只对应一个类别：

# 对字典去重，保留每个field的第一条匹配记录
dictionary_unique <- dictionary[!duplicated(dictionary$field), ]
# 再执行左连接
dat <- merge(data, dictionary_unique, by = "field", all.x = TRUE)

用上述代码处理你给出的示例数据，会得到你预期的7行结果，其中Australia对应的Category为NA，行数和原数据完全一致。

内容的提问来源于stack exchange，提问作者roybatty