data.table非等值连接匹配结果反直觉的原因及调整方法

该行为是data.table的既定机制 #

当使用x[y, on=..., :=]语法对x进行更新时，对于x中的每一行，y里所有满足连接条件的行都会依次执行更新操作，最终x中该行保留的是最后一次匹配的结果。

在你的示例中，dt2按date升序排列后，满足dt1$date <= dt2$date的行是id=2、3、4对应的记录，这三行会依次对dt1的唯一行进行更新，最后一次更新来自id=4的记录，所以结果显示的是2017-01-01和id=4。

除反转表序外的其他调整方法 #

1. 使用mult="first"参数 #

data.table提供了mult参数，专门用于控制多匹配场景下取哪一个结果，指定mult="first"即可直接取第一个满足条件的匹配项：

library(data.table)

dt1 <- data.table(date = as.Date("2015-01-01"))
dt2 <- data.table(id = 1:4, date = as.Date(c("2014-01-01", "2015-02-01", "2016-01-01", "2017-01-01")))

setorder(dt2, date)

# 添加mult="first"参数
dt1[dt2, on = .(date <= date), `:=`(date2 = i.date, id = i.id), mult="first"]

运行后dt1的结果会是：

date      date2 id
1: 2015-01-01 2015-02-01  2

2. 先筛选匹配项再连接 #

如果需要更灵活的控制，可以先从dt2中筛选出每个dt1记录对应的目标匹配行，再执行连接更新：

# 先获取dt1每个date对应的dt2中最小的符合条件的记录
match_records <- dt2[dt1, on = .(date >= date), .(date = x.date, date2 = i.date, id = i.id), mult="first"]

# 用筛选后的记录更新dt1
dt1[match_records, on = .(date), `:=`(date2 = i.date2, id = i.id)]

这种方法适合需要对匹配逻辑做额外处理的场景，比如同时筛选多个条件。

内容的提问来源于stack exchange，提问作者Aaron