使用R匹配多文件列数据并筛选最优匹配的代码修正需求

需求说明 #

针对文档1（r1）的每一行双列数据对，需要在文档2（r2）中筛选出差异最小的匹配项，而非仅保留阈值范围内的所有结果。原脚本仅完成了阈值筛选，未实现最优匹配的逻辑。

示例数据 #

文档1（r1）

文档2（r2）

修改后的R脚本 #

# 假设r1和r2已加载，包含rowid、RTB/MZB（r1）、RTA/MZA（r2）列
matched_hold = list()

# 遍历r1的每一行数据
for (row in r1$rowid) {
  zval = r1$RTB[r1$rowid == row]
  mval = r1$MZB[r1$rowid == row]
  
  # 验证数据为数值型
  if (is.numeric(zval) && is.numeric(mval)) {
    # 先筛选阈值范围内的候选匹配，缩小计算范围
    r2_candidates = r2 %>%
      filter(RTA >= zval - 0.05, RTA <= zval + 0.05,
             MZA >= mval - 0.01, MZA <= mval + 0.01)
    
    if (nrow(r2_candidates) > 0) {
      # 计算候选与当前r1行的综合差异（采用欧氏距离，可按需替换为曼哈顿距离等）
      r2_candidates$diff = sqrt((r2_candidates$RTA - zval)^2 + (r2_candidates$MZA - mval)^2)
      
      # 筛选差异最小的匹配项（若多组差异相同，取第一行）
      best_match = r2_candidates %>%
        arrange(diff) %>%
        slice(1)
      
      # 补充r1的原始数据列
      best_match$RTB = zval
      best_match$MZB = mval
      
      matched_hold[[row]] = best_match
    } else {
      # 无符合阈值的匹配时，保留r1行信息并标记空值
      matched_hold[[row]] = data.frame(RTA = NA, MZA = NA, RTB = zval, MZB = mval, diff = NA)
    }
  }
}

# 合并所有匹配结果
matched_df = do.call('rbind', matched_hold)

关键修改说明 #

• 量化差异：用欧氏距离计算双列数据的综合差异，也可根据业务需求替换为曼哈顿距离（绝对值之和）或加权差异（对某一列赋予更高权重）。
• 筛选最优项：通过排序后取第一行的逻辑，确保仅保留差异最小的匹配结果。
• 空匹配处理：增加了无候选匹配时的处理逻辑，避免丢失r1的原始行信息。

示例运行结果 #

用提供的示例数据执行脚本后，matched_df的输出为：

（第二行因r2中无符合阈值的匹配，返回空值）

内容的提问来源于stack exchange，提问作者rose lydia