R语言使用left_join连接表时如何避免新增额外行数？

核心原因 #

• 行数增长的核心原因是右表（second表）的关联键CATEGORY存在重复值：当同一个CATEGORY值在second表中出现n次时，left_join会为first表中对应CATEGORY的每一行匹配出n条结果，最终总条数就会超出first表的原始行数。
• 使用inner_join仍然出现该问题也符合这个逻辑：只要关联键存在多对一/多对多的匹配关系，结果行数就会大于左表的匹配行数量。

你本次执行后行数增加了223201 - 206206 = 16995行，全部来自重复关联键产生的额外匹配行。

排查和修复方法 #

1. 首先验证second表的CATEGORY重复情况，执行如下统计代码：
   count(second, CATEGORY, sort = TRUE)
   输出结果中n>1的条目就是导致行数增加的重复关联项。

2. 如果你需要每个CATEGORY仅保留一条关联信息，先对second表按关联键去重后再执行连接，示例代码如下：

# 按CATEGORY去重，保留每个CATEGORY的第一条完整记录，也可根据自己的业务需求调整去重规则
second_distinct <- distinct(second, CATEGORY, .keep_all = TRUE)
# 再执行左连接
final <- left_join(first, second_distinct, by="CATEGORY")

3. 额外排查隐性重复：如果统计后没有发现显性的重复CATEGORY值，可检查关联键是否存在前后空格、不可见字符、大小写差异等隐性区别，先对两张表的CATEGORY字段做清洗再执行关联：

# 去除关联键两端空格，也可根据实际情况添加其他清洗逻辑
first$CATEGORY <- trimws(first$CATEGORY)
second$CATEGORY <- trimws(second$CATEGORY)

内容的提问来源于stack exchange，提问作者Bambeil