如何高效筛选DataFrame中与指定区间重叠的行

问题背景与需求 #

现有DataFrame region_area，结构如下：

dput(region_area)
structure(list(region1 = c(144969, 134134, 178890), region2 = c(165009,
143145, 179812), region3 = c(14575436, 24346457, 34142562), region4 = c(15346473,
34545741, 35647244)), class = "data.frame", row.names = c(NA,
-3L))

另有指定区间数据框check_values：

dput(check_values)
structure(list(start_Region = 144812, end_region = 178910), class = "data.frame", row.names = c(NA,
-1L))

需求：筛选region_area中**region1与region2构成的区间和start_Region至end_region的区间存在重叠**的行。示例中符合条件的为第1行和第3行。

当前问题 #

实际处理的region_area为31618129行×5列，此前使用for循环+seq函数实现，代码如下，但速度极慢，耗时已超7天：

if(any((seq(checkvalues$start_region[i],checkvalues$end_Region[i]) %in% seq(region_area$region1[j],region_area$region2[j],1))==TRUE)){ 
      y <- region_area[j,] ##get the selected region
value <- y
      }

高效解决方案 #

核心逻辑：区间重叠的数学判断 #

两个区间[a1, a2]（region1到region2）和[b1, b2]（start_Region到end_region）存在重叠的充要条件是：
a1 <= b2 且 a2 >= b1

利用R的向量化操作直接实现该判断，无需循环和生成序列，可将处理时间压缩至秒级。

实现代码 #

# 提取检查区间的上下限（因check_values仅一行，直接取值）
start_check <- check_values$start_Region
end_check <- check_values$end_region

# 向量化生成重叠判断的逻辑掩码
overlap_mask <- region_area$region1 <= end_check & region_area$region2 >= start_check

# 筛选符合条件的行
result <- region_area[overlap_mask, ]

性能优势说明 #

• 规避循环开销：R的向量化操作由底层C代码优化实现，远快于逐行循环遍历。
• 避免无效计算：原方法中seq会生成大量连续数值，既占用内存又徒增计算量，此方法直接通过数值比较完成判断，完全规避该问题。

内容的提问来源于stack exchange，提问作者Rhea Bedi