如何在R中基于两列区间值为df2新增Location列

示例数据构造 #

先还原问题中的两个数据框：

df1 <- data.frame(
  location = c("a_a1", "b_a1", "c_a1"),
  start_position = c(2500, 5600, 7500),
  end_position = c(5500, 6500, 8900),
  stringsAsFactors = FALSE
)

df2 <- data.frame(
  Sample = c("A1", "A2", "A3"),
  Position = c(2300, 5300, 7600),
  stringsAsFactors = FALSE
)

方法1：Base R 原生实现 #

通过sapply遍历df2的Position值，逐一匹配df1中的区间范围，提取对应的location：

df2$Location <- sapply(df2$Position, function(pos) {
  df1$location[pos >= df1$start_position & pos <= df1$end_position]
})

方法2：dplyr + fuzzyjoin 实现 #

适合习惯tidyverse语法的用户，fuzzyjoin支持非等值连接，代码逻辑更直观：

library(dplyr)
library(fuzzyjoin)

df2 <- df2 %>%
  fuzzy_left_join(
    df1,
    by = c("Position" = "start_position", "Position" = "end_position"),
    match_fun = list(`>=`, `<=`)
  ) %>%
  select(Sample, Position, Location = location)

方法3：data.table 非等连接实现 #

如果处理大数据量，data.table的非等连接效率最优：

library(data.table)

# 转换为data.table格式
setDT(df1)
setDT(df2)

# 非等连接并赋值Location列
df2[df1, on = .(Position >= start_position, Position <= end_position), 
    Location := i.location]

注意事项 #

• 若某个Position匹配多个区间，Base R方法会返回匹配的所有location向量，其他方法会生成多行记录，需根据需求做去重或筛选；
• 无匹配区间的Position会对应NA，可通过replace或ifelse设置默认值。

内容的提问来源于stack exchange，提问作者Aryh