如何查找从两个不同的数据框和子集重叠的日期

时间:2018-04-12 08:04:19

标签: r date dplyr

我想使用数据框A中的日期来查找此日期后180天内的任何日期,以选择数据框B中具有匹配ID的行。

例如。

Dataframe A
ID  Date A
42  2012-07-21
42  2013-04-12
167 2009-04-27
167 2010-04-19
105 2010-12-16
105 2012-01-05


Dataframe B
ID Date B
12 2016-09-08
35 2008-02-02
42 2012-01-09
42 2013-03-13
167 2010-08-02
105 2010-11-26
105 2011-08-12
105 2011-11-11
105 2013-03-15
105 2013-09-13

我想创建一个数据框,它提供最接近的日期组合,并确保序列中至少有3个日期B.因此,日期A是参考日期,第一个日期B需要在日期A的180 +/-内,并且至少有两个后续日期。 如果有两个或多个潜在的日期A和B组合,我会选择保留至少3个日期B的组合作为偏好。

ID  Date A        Date B
105 2012-01-05    2011-11-11
105 2012-01-05    2013-03-15
105 2012-01-05    2013-09-13

1 个答案:

答案 0 :(得分:3)

如果你有大数据,我建议使用data.tables 滚动连接而不是

假设这些是您的数据集

dfa <- read.table(text = "ID  Date
                  42  '2012-07-21'
                  42  '2013-04-12'", header = TRUE)

dfb <- read.table(text = "ID Date
                  12 '2016-09-08'
                  35 '2008-02-02'
                  42 '2012-01-09'
                  42 '2013-03-13'", header = TRUE)

我们会将它们转换为data.tables并将Date列转换为IDate

library(data.table) #1.9.8+
setDT(dfa)[, Date := as.IDate(Date)]
setDT(dfb)[, Date := as.IDate(Date)]

然后,只需加入(你可以双向滚动加入)

# You can perform another rolling join for `roll = -180` too
indx <- dfb[
            dfa, # Per each row in dfa find a match in dfb
            on = .(ID, Date), # The columns to join by
            roll = 180, # Rolling window, can join again on -180 afterwards
            which = TRUE, # Return the row index within `dfb` that been matched
            mult = "first", # Multiple match handling- take only the first match
            nomatch = 0L # Don't return unmatched indexes (NAs)
           ]

dfb[indx]
#    ID       Date
# 1: 42 2013-03-13

实现此目的的另一种方法是在日期+ -180 (手动创建)列上使用data.tables 非equi 连接功能

# Create range columns
dfa[, c("Date_m_180", "Date_p_180") := .(Date - 180L, Date + 180L)]

# Join away
indx <- dfb[dfa, 
            on = .(ID, Date >= Date_m_180, Date <= Date_p_180), 
            which = TRUE, 
            mult = "first",
            nomatch = 0L]
dfb[indx]
#    ID       Date
# 1: 42 2013-03-13

这两种方法几乎可以立即处理大数据集