如何在R语言中抽取与独立数据集数值相近的大数据集子集？

针对你的需求，这里提供几种无需显式循环的高效实现方式，比apply系列循环更简洁且性能更优：

1. 基础R向量化操作 #

利用outer函数计算所有两两差值的绝对值，再通过行统计筛选符合条件的元素：

# 设置随机种子保证结果可复现
set.seed(123)
big_dataset = rnorm(n = 500, mean = 20, sd = 10)
independent_dataset = runif(n = 20, min = 0, max = 100)

# 生成所有元素间的差值绝对值矩阵
diff_abs_matrix = outer(big_dataset, independent_dataset, function(x, y) abs(x - y))

# 筛选出至少与一个独立数据集元素差值≤5的元素
matched_subset = big_dataset[rowSums(diff_abs_matrix <= 5) > 0]

原理：outer实现了向量化的两两计算，避免了逐元素循环；rowSums快速统计每个大数据集元素满足条件的次数，只要存在至少一次匹配就保留。

2. tidyverse风格的半连接匹配 #

借助dplyr的非等值半连接，通过区间匹配筛选目标元素：

library(dplyr)

set.seed(123)
big_df = tibble(value = rnorm(n = 500, mean = 20, sd = 10))
independent_df = tibble(ref_value = runif(n = 20, min = 0, max = 100)) %>%
  mutate(lower = ref_value - 5, upper = ref_value + 5)

# 仅保留落在任意独立值±5区间内的元素
matched_subset = big_df %>%
  semi_join(independent_df, by = join_by(value >= lower, value <= upper)) %>%
  pull(value)

优势：代码可读性强，符合tidy数据操作逻辑，自动处理匹配逻辑无需手动统计。

3. data.table高效非等值连接（超大数据集首选） #

如果你的数据集规模极大，data.table的非等值连接在性能上会有显著优势：

library(data.table)

set.seed(123)
big_dt = data.table(value = rnorm(n = 500, mean = 20, sd = 10))
independent_dt = data.table(ref_value = runif(n = 20, min = 0, max = 100))[, `:=`(lower = ref_value - 5, upper = ref_value + 5)]

# 非等值连接后去重（避免同一元素匹配多个独立值）
matched_subset = big_dt[independent_dt, on = .(value >= lower, value <= upper), .(value = x.value)] %>%
  unique() %>%
  pull(value)

原理：data.table的连接操作是底层优化的，处理百万级以上数据时，速度远快于循环和基础R方法。

内容的提问来源于stack exchange，提问作者CephBirk