如何基于行业代码范围对df1与df2执行left_join合并？

问题背景 #

我有两个数据框需要合并：

• df1是公司级数据，包含company_name（公司名称）和industry_code（行业代码）列，示例数据：

• df2是行业区间数据，包含industry_name（行业名称）、min_code（最小代码）、max_code（最大代码）列，示例数据：

目标是把df2的行业名称匹配到df1中，要求industry_code落在min_code和max_code的区间内，最终得到如下结果：

我试了两种方法都没成功：

# 第一次尝试
df1 %>%
  left_join(df2, by = c("industry_code" = "min_code"))

# 第二次尝试
df1 %>%
  mutate(industry_name = ifelse(between(industry_code, df2$min_code, df2$max_code), df2$industry_name, NA))

失败原因 #

• 第一次用left_join是精确匹配，只会把df1的industry_code和df2的min_code完全相等的行合并，根本没用到区间逻辑，自然不对。
• 第二次的ifelse和between搞不定向量长度不匹配的问题：df1的每一行都要和df2的所有区间挨个比对，但直接传df2$min_code是把整个向量塞进去，逻辑判断全乱了，出不来正确结果。

正确实现方式 #

方法1：dplyr交叉连接+过滤 #

先把df1和df2的所有行交叉组合，再筛选出符合区间条件的行，最后保留需要的列：

library(dplyr)

result <- df1 %>%
  cross_join(df2) %>%
  filter(industry_code >= min_code & industry_code <= max_code) %>%
  select(company_name, industry_code, industry_name)

方法2：fuzzyjoin模糊匹配 #

fuzzyjoin包专门处理非精确匹配，用fuzzy_left_join可以直接指定区间匹配规则，数据量大的时候比方法1效率高：

library(fuzzyjoin)
library(dplyr)

result <- df1 %>%
  fuzzy_left_join(
    df2,
    by = c("industry_code" = "min_code", "industry_code" = "max_code"),
    match_fun = list(`>=`, `<=`)
  ) %>%
  select(company_name, industry_code, industry_name)

两种方法都能得到你要的结果，根据数据量大小选就行。

内容的提问来源于stack exchange，提问作者fsure