Question

我有来自两个不同提供商的两个数据集，记录不同ID下的学生成绩。一些学生出现在两个数据集中。

DT1 = data.table(id   = 1:6,
                 math = c(6.55, 7.39, 5.89, 9.70, 4.77, 5.30),
                 engl = c(8.55, 8.83, 9.20, 9.10, 4.32, 8.17),
                 hist = c(7.37, 3.39, 8.11, 2.10, 1.58, 6.65),
                 geog = c(10.0, 7.63, 2.37, 8.44, 6.35, 7.10))

DT2 = data.table(id   = LETTERS[1:6],
                 math2 = c(6.55, 7.39, 5.88, 9.70, 4.17, 9.70),
                 engl2 = c(8.53, 6.83, 9.19, 9.10, 4.22, 9.10),
                 hist2 = c(7.39, 2.39, 8.12, 2.10, 1.58, 2.10),
                 geog2 = c(10.0, 7.43, 2.38, 8.44, 6.45, 8.44))

我想合并它们两个，以便了解ID通信。要做到这一点，我必须匹配成绩。问题是不同的数据集有不同的舍入，因此，为了在两个数据集上找到学生，我必须匹配最接近的成绩。

截至目前，我正在做以下事情

subj = names(DT2)[-1] # get the subjects

#create interval on the grades, so I can run the non-equi join
DT2[, paste0(subj, "_min") := lapply(.SD, function(x) x - 0.02), .SDcols = subj]
DT2[, paste0(subj, "_max") := lapply(.SD, function(x) x + 0.02), .SDcols = subj]

DTm = DT1[DT2, on = .(math >= math2_min, math <= math2_max,
                      engl >= engl2_min, engl <= engl2_max), nomatch = 0]

总之，我创建了等级+/- 0.02的间隔并进行了非等联接，这得到了正确的答案（在上面的示例中，我在DT2中有重复，这很好）。

但是，我想在不提供间隔的情况下这样做，因为我不知道要提供哪个间隔。

有没有办法进行与最接近值匹配的非equi连接？当我说最接近的意思是，找到math中math2的最接近值，然后找到engl中engl2的最接近值。如果两个值来自同一个观察值，那么它是一个匹配，如果没有，那么就没有匹配。

Answer 1

这似乎满足您对最接近的定义，但与您的示例结果不符：

DT1[DT2, on = .(math = math2), roll = 'nearest', math.id := i.id][
    DT2, on = .(engl = engl2), roll = 'nearest', engl.id := i.id][
    math.id == engl.id]
#   id math engl hist  geog math.id engl.id
#1:  1 6.55 8.55 7.37 10.00       A       A
#2:  3 5.89 9.20 8.11  2.37       C       C
#3:  4 9.70 9.10 2.10  8.44       F       F
#4:  5 4.77 4.32 1.58  6.35       E       E

非equi连接一组变量而不提供间隔

1 个答案: