Question

当匹配2个数据集时，是否可以以某种方式指定匹配项，以使如果至少其中之一是第一数据集的观测值与第二数据集匹配满足条件吗？

假设我有以下两个data.tables：

dt1<- data.table(c1=c(rep('a', 2), rep('b', 2), rep('c', 2)), 
                 c2=c('x','y','x','y','x','z'),
                 c3.min = c(rep(0,3), rep(-1,3)),
                 c3.max = c(rep(10,3), rep(11,3)),
                 x= (1:6))

dt2 <- data.table(c1=c(rep('a', 3), rep('b', 3), rep('c', 4)), 
                  c2=c(rep(c('x','y'), 5)),
                  c3=c(-1, 2, 0, 10, 11, -1, 3, 6, 3, 12),
                  y= (1:10))

我有3个要匹配dt1和dt2的条件，第三个条件是一个范围。如果我仅按这三个条件进行正常合并，我将得到：

> dt2[dt1, on=.(c1,
+               c2,
+               c3 <= c3.max,
+               c3 >= c3.min), nomatch=NA ]

   c1 c2 c3  y c3.1 x
1:  a  x 10  3    0 1
2:  a  y 10  2    0 2
3:  b  x 10 NA    0 3
4:  b  y 11  4   -1 4
5:  b  y 11  6   -1 4
6:  c  x 11  7   -1 5
7:  c  x 11  9   -1 5
8:  c  z 11 NA   -1 6

如您所见，来自dt1的x=3和x=6的观测值不匹配。我主要关心的是，即使我必须放松某些条件，也要为dt1中的尽可能多的观测值找到至少一个匹配项。因此，我想知道是否有3种条件中至少有dt1与dt2匹配的比赛？

我可以编写一个循环，但是实际上我的2个数据集比这个要大得多（第一个数据集具有10K个观测值，第二个数据集具有30万个观测值），我总共有4个条件，因此我正在寻找更多有效的方法。

谢谢！

Answer 1

我对这类问题的第一个直觉是使用sqldf包，因为我们需要使用OR个条件（而不是AND个条件）加入。

library(sqldf)
names(dt1) <- c("c1", "c2", "c3_min", "c3_max", "x") # need to get rid of the "."

query1 <- "select * from dt1
left join dt2 
on (dt1.c1 = dt2.c1) or (dt1.c2 = dt2.c2) or (dt2.c3 between dt1.c3_min and dt1.c3_max)"

sqldf(query1)

匹配条件子集上的数据集

1 个答案: