Question

我需要合并两个数据框。我要合并的字段是IP地址和时间（％H：％M）。我正在寻找IP地址字段中的完全匹配，但在时间字段中我希望在5分钟内（+/-）进行模糊匹配。例如，如果我有以下2个数据帧：

> df1
  users1 IPs1        times1
1  user1 192.168.1.1  11:05
2  user2 192.168.1.2  20:31
3  user3 192.168.1.3  01:19

> df2
  users2 IPs2         times2
1  userx 192.168.1.2  20:33
2  usery 192.168.1.3  01:19
3  userz 192.168.1.1  11:01

我想合并数据框以显示user1与userz相关，user2与userx相关，而user3与usery相关。我怎么能这样做？使用合并功能，我只会根据精确的时间匹配得到user3与usery的关联。

Answer 1

您可以使用fuzzyjoin包进行模糊合并。其中一个fuzzyjoin函数是difference_join，它允许您根据两个表中列之间的绝对差异进行连接。唯一的问题是，times1和times2是因子或字符向量，而不是数字。因此，我使用hms将它们转换为数字列，然后以5分钟（5 * 60秒）的差异模糊地连接，并在IP彼此相同时进行过滤。

library(tidyverse)
library(fuzzyjoin)
library(hms)

hms <- Vectorize(hms)
df1 <- df1 %>% 
  separate(times1, c("hours", "minutes")) %>%
  mutate_at(c("hours", "minutes"), as.integer) %>%
  mutate(times = hms(0, minutes, hours))

df2 <- df2 %>% 
  separate(times2, c("hours", "minutes")) %>%
  mutate_at(c("hours", "minutes"), as.integer) %>%
  mutate(times = hms(0, minutes, hours))


difference_full_join(df1, df2, by = "times", max_dist = 5*60) %>%
  filter(IPs1 == IPs2)
#>   users1        IPs1 hours.x minutes.x times.x users2        IPs2 hours.y
#> 1  user1 192.168.1.1      11         5   39900  userz 192.168.1.1      11
#> 2  user2 192.168.1.2      20        31   73860  userx 192.168.1.2      20
#> 3  user3 192.168.1.3       1        19    4740  usery 192.168.1.3       1
#>   minutes.y times.y
#> 1         1   39660
#> 2        33   73980
#> 3        19    4740

模糊合并2中的时间数据帧

1 个答案: