dplyr：基于多个最近值的分组内筛选问题

我有一个向量用于筛选大型数据集：

sepals=c(4:7)

精确匹配的实现 #

精确匹配筛选很简单，直接用%in%就能完成：

iris %>% filter(Sepal.Length %in% sepals)

运行结果：

Sepal.Length Sepal.Width Petal.Length Petal.Width Species   
          <dbl>       <dbl>        <dbl>       <dbl> <fct>     
 1            5         3.6          1.4         0.2 setosa    
 2            5         3.4          1.5         0.2 setosa    
 3            5         3            1.6         0.2 setosa    
 4            5         3.4          1.6         0.4 setosa    
 5            5         3.2          1.2         0.2 setosa    
 6            5         3.5          1.3         0.3 setosa    
 7            5         3.5          1.6         0.6 setosa    
 8            5         3.3          1.4         0.2 setosa    
 9            7         3.2          4.7         1.4 versicolor
10            5         2            3.5         1   versicolor
11            6         2.2          4           1   versicolor
12            6         2.9          4.5         1.5 versicolor

单个元素匹配最近值的实现 #

但我实际需要按Species分组，匹配sepals向量中每个元素的最近值。单个元素处理时能正常实现，比如匹配4：

iris %>% group_by(Species) %>% filter(abs(Sepal.Length-4)==min(abs(Sepal.Length-4)))

运行结果：

Sepal.Length Sepal.Width Petal.Length Petal.Width Species   
         <dbl>       <dbl>        <dbl>       <dbl> <fct>     
1          4.3         3            1.1         0.1 setosa    
2          4.9         2.4          3.3         1   versicolor
3          4.9         2.5          4.5         1.7 virginica 

也可以用更简洁的写法：

iris %>% group_by(Species) %>% slice(which.min(abs(Sepal.Length-4)))

或者：

iris %>% group_by(Species) %>% slice_min(abs(Sepal.Length-4))

批量处理整个向量遇到的问题 #

但当我尝试对整个sepals向量执行操作时，会得到错误结果和警告：

iris %>% group_by(Species) %>% slice(which.min(abs(Sepal.Length-sepals)))

运行结果：

Sepal.Length Sepal.Width Petal.Length Petal.Width Species   
         <dbl>       <dbl>        <dbl>       <dbl> <fct>     
1          5           3            1.6         0.2 setosa    
2          5.2         2.7          3.9         1.4 versicolor
3          6           3            4.8         1.8 virginica 

警告信息：

1: In Sepal.Length - sepals :
  longer object length is not a multiple of shorter object length 

类似的问题也出现在以下代码中：

iris %>% group_by(Species) %>% slice_min(abs(Sepal.Length-sepals))

iris %>% group_by(Species) %>% filter(abs(Sepal.Length-sepals)==min(abs(Sepal.Length-sepals)))

解决方案 #

问题出在直接用向量做减法时，R会按循环规则处理长度不匹配的向量，导致计算逻辑错误。要实现对sepals中每个元素，按Species分组找最近值，需要先把sepals转换为数据框，和iris做交叉连接，再计算每个分组（Species+目标值）的最小差值：

library(dplyr)
library(tidyr)

# 将sepals转为数据框
sepals_df <- tibble(target_sepal = 4:7)

# 交叉连接+分组计算
iris %>%
  cross_join(sepals_df) %>%
  group_by(Species, target_sepal) %>%
  slice_min(abs(Sepal.Length - target_sepal)) %>%
  ungroup()

运行结果会包含每个物种对应sepals中4、5、6、7的最近匹配行：

Sepal.Length Sepal.Width Petal.Length Petal.Width Species    target_sepal
          <dbl>       <dbl>        <dbl>       <dbl> <fct>             <int>
 1          4.3         3            1.1         0.1 setosa                4
 2          5           3.6          1.4         0.2 setosa                5
 3          5.8         4            1.2         0.2 setosa                6
 4          5.8         4            1.2         0.2 setosa                7
 5          4.9         2.4          3.3         1   versicolor            4
 6          5           2            3.5         1   versicolor            5
 7          6           2.2          4           1   versicolor            6
 8          7           3.2          4.7         1.4 versicolor            7
 9          4.9         2.5          4.5         1.7 virginica             4
10          5.6         2.8          4.9         2   virginica             5
11          6           3            4.8         1.8 virginica             6
12          7.2         3.6          6.1         2.5 virginica             7

如果某个组有多个行和目标值的差值相同，slice_min会返回所有匹配行，若只想返回一行，可以加上参数n=1：

iris %>%
  cross_join(sepals_df) %>%
  group_by(Species, target_sepal) %>%
  slice_min(abs(Sepal.Length - target_sepal), n=1) %>%
  ungroup()

内容的提问来源于stack exchange，提问作者frostygoat