如何用data.table实现pandas merge_asof的等效连接？

data.table 实现方法 #

方法1：滚动连接（推荐，效率更高） #

滚动连接是data.table实现"匹配最近不大于值"的最优方式，步骤如下：

1. 对齐左右表的连接键列名，确保右表按连接键排序；
2. 使用roll=TRUE参数完成滚动匹配。

library(data.table)

left <- data.table(a = c(1, 5, 10), left_val = c("a", "b", "c"))
right <- data.table(aa = c(1, 2, 3, 6, 7), right_val = c(1, 2, 3, 6, 7))

# 重命名右表连接键并排序
right_renamed <- right[, .(a = aa, right_val)]
setorder(right_renamed, a)

# 滚动连接并整理结果
result_dt <- right_renamed[left, on = .(a <= a), roll = TRUE]
result_final <- result_dt[, .(a = i.a, left_val, right_val)]

print(result_final)
#    a left_val right_val
# 1: 1        a         1
# 2: 5        b         3
# 3:10        c         7

方法2：非等值连接+分组取最大值 #

通过非等值连接获取所有aa <= a的记录，再按左表行分组，取最大aa对应的结果：

library(data.table)

left <- data.table(a = c(1, 5, 10), left_val = c("a", "b", "c"))
right <- data.table(aa = c(1, 2, 3, 6, 7), right_val = c(1, 2, 3, 6, 7))

# 非等值连接后分组取最大aa对应的行
result_dt <- left[right, on = .(a >= aa), allow.cartesian = TRUE][
  , .SD[which.max(aa)], by = .(a, left_val)
]
# 整理列顺序
result_final <- result_dt[, .(a, left_val, right_val)]

print(result_final)

dplyr 实现方法 #

方法1：findInterval 高效匹配（推荐） #

利用findInterval快速定位匹配位置，适合大数据集：

library(dplyr)

left <- tibble(a = c(1, 5, 10), left_val = c("a", "b", "c"))
right <- tibble(aa = c(1, 2, 3, 6, 7), right_val = c(1, 2, 3, 6, 7))

# 确保右表按连接键排序
right_sorted <- right %>% arrange(aa)

# 计算每个左表a对应的右表索引
match_indices <- findInterval(left$a, right_sorted$aa)

# 匹配并整理结果
result_dplyr <- left %>%
  mutate(right_val = right_sorted$right_val[match_indices])

print(result_dplyr)
# # A tibble: 3 × 3
#       a left_val right_val
#   <dbl> <chr>        <dbl>
# 1     1 a                1
# 2     5 b                3
# 3    10 c                7

方法2：逐行筛选（适合小数据集） #

通过rowwise逐行筛选符合条件的记录：

library(dplyr)

left <- tibble(a = c(1, 5, 10), left_val = c("a", "b", "c"))
right <- tibble(aa = c(1, 2, 3, 6, 7), right_val = c(1, 2, 3, 6, 7))

right_sorted <- right %>% arrange(aa)

result_dplyr <- left %>%
  rowwise() %>%
  mutate(right_val = right_sorted %>% filter(aa <= a) %>% pull(right_val) %>% last()) %>%
  ungroup()

print(result_dplyr)

内容的提问来源于stack exchange，提问作者gaut