基于另一数据框的海拔范围随机采样数据框的实现问题

问题背景 #

现有两个数据框：

• dfA：10万+行的气候数据，包含Climate data、Altitude、Seed_zone字段
• dfB：约50行的采样条件列表，包含Seed_zone、Altitude、freq字段

原已实现精确匹配Seed_zone和Altitude的采样逻辑，但因匹配结果数量不足，需调整为：按Seed_zone精确匹配，同时dfA.Altitude落在dfB.Altitude±10范围内，再按freq指定数量随机采样。

原可行精确匹配代码 #

sample <- dfA %>%
  inner_join(dfB) %>% 
  group_by(Seed_zone, Altitude) %>%
  sample_n(first(freq))

无效代码问题分析 #

之前尝试的代码存在两处核心问题：

• filter(dfA > dfB -10 & dfA < dfB +10)未指定具体字段，且跨数据框直接比较会引发维度不匹配错误
• 仅按Seed_zone分组，未关联dfB的单个采样条件，无法对应每个条件的freq采样数量

正确实现方案 #

代码实现 #

library(dplyr)

sample_result <- dfA %>%
  # 按Seed_zone关联两个数据框，给重复字段加后缀区分
  inner_join(dfB, by = "Seed_zone", suffix = c("_A", "_B")) %>%
  # 筛选Altitude在目标值±10范围内的记录
  filter(Altitude_A >= Altitude_B - 10 & Altitude_A <= Altitude_B + 10) %>%
  # 按dfB的单个采样条件分组（Seed_zone+目标Altitude）
  group_by(Seed_zone, Altitude_B) %>%
  # 按对应组的freq值随机采样
  sample_n(first(freq)) %>%
  # 取消分组并整理输出字段
  ungroup() %>%
  select(`Climate data`, Altitude = Altitude_A, Seed_zone, freq)

示例验证 #

输入数据 #

dfA示例：

dfB示例：

输出结果 #

运行代码后将得到符合预期的结果：

代码逻辑说明 #

1. inner_join：仅保留Seed_zone匹配的记录，通过后缀区分两个数据框的Altitude字段
2. filter：精准筛选出dfA中Altitude在dfB目标值±10范围内的样本
3. group_by：按dfB的单个采样条件分组，确保每个条件独立执行采样逻辑
4. sample_n：使用每组对应的freq值完成随机采样
5. 最后通过select整理字段格式，移除多余后缀

内容的提问来源于stack exchange，提问作者user22141110