如何手动实现R中基于范围而非精确匹配的数据框连接？

数据集与需求说明 #

现有两个数据集：

dfA <- tibble(
  name = c("John", "Michael", "Brian", "Thomas", "Peter"),
  expected = c(128.34, 453.6674, 789.2345, 678.34, 475.467),
  max = c(128.3464, 453.6901, 789.2740, 678.3739, 475.4908),
  min = c(128.3336, 453.6447, 789.1950, 678.3061, 475.4432)
)

dfB <- tibble(
  real = c(128.76, 453.658, 789.235, 677.2035, 475.4695),
  time = c(3.24, 5.65, 4.89, 2.28, 6.12)
)

其中dfA$max和dfA$min由以下函数计算生成：

shift <- function (theoretical, tolerance) {
  return(tolerance*theoretical/10^6)
}

calculate_max <- function (vector, tolerance) {
  res <- c()
  for (i in vector) {
    max <- i + shift(i, tolerance)
    res <- append(res, max)
  }
  return(res)
}

calculate_min <- function (vector, tolerance) {
  res <- c()
  for (i in vector) {
    min <- i - shift(i, tolerance)
    res <- append(res, min)
  }
  return(res)
}

需求是将两个数据集连接，仅保留dfB$real值落在dfA$min与dfA$max区间内的组合。已通过fuzzyjoin包实现该需求，参考代码如下：

fuzzy_right_join(dfB, dfA,
                 by = c("real"="max", "real"="min"),
                 match_fun = list(`<=`, `>=`))

以下是几种无需逐行遍历的手动实现方法：

方法1：交叉连接后过滤（dplyr） #

通过cross_join生成两个数据集的所有行组合，再筛选满足区间条件的记录，逻辑直观，适合数据量较小的场景：

library(dplyr)

cross_join(dfB, dfA) %>%
  filter(real >= min, real <= max)

方法2：purrr向量化匹配 #

对dfB的每个real值，匹配dfA中符合区间条件的行，最后拼接结果，兼顾可读性与效率：

library(purrr)
library(dplyr)

map_dfr(dfB$real, ~ dfA %>% filter(min <= .x, .x <= max)) %>%
  bind_cols(dfB, .)

方法3：矩阵运算实现高效匹配 #

利用R的矩阵广播特性生成匹配矩阵，直接定位符合条件的行索引，性能最优，适合大数据量场景：

# 生成匹配矩阵：每行对应dfB的real，每列对应dfA的行，TRUE表示匹配成功
match_matrix <- outer(dfB$real, dfA$min, `>=`) & outer(dfB$real, dfA$max, `<=`)

# 获取匹配的行索引（row对应dfB，col对应dfA）
matches <- which(match_matrix, arr.ind = TRUE)

# 根据索引拼接最终结果
result <- cbind(dfB[matches[, "row"], ], dfA[matches[, "col"], ])

以上方法均采用向量化操作，避免了逐行遍历的低效问题，可根据数据集规模选择合适的实现方式。

内容的提问来源于stack exchange，提问作者jpm92