如何基于最近深度ID无间隙合并两个不等长数据集？

需求说明：对两个长度不等的数据集df_a与df_b，基于深度值作为ID执行全连接，要求每个df_b条目仅匹配df_a中深度值最接近的唯一条目，且不产生重复匹配，最终保留df_a的所有行，匹配成功的填充df_b对应数据，未匹配的填充NA。

示例数据 #

library(tibble)

# 数据集df_a
Depth_a <- seq(1, 10)
value_a <- c(10, 12, 8, 5, 20, 33, 0, 3, 5, 14)
df_a <- tibble(Depth_a, value_a)

# 数据集df_b
Depth_b <- c(1.2, 3.2, 7.2, 10.2)
value_b <- c(4, 8, 14, 17)
df_b <- tibble(Depth_b, value_b)

现有方法的问题 #

尝试使用dplyr的full_join结合join_by(closest(Depth_a <= Depth_b))，会出现重复匹配：

# 错误实现的结果
df_a %>%
  full_join(df_b, join_by(closest(Depth_a <= Depth_b)))

实际结果中，单个df_b条目会匹配多个df_a行（如Depth_b=10.2匹配了Depth_a=8/9/10），不符合"唯一匹配"的要求。

预期结果 #

最终合并后的数据应只保留df_a的所有行，每个df_b条目仅对应一个最接近的df_a深度：

# 预期输出结构
# A tibble: 10 × 3
   Depth value_a value_b
   <int>   <dbl>   <dbl>
 1     1      10       4
 2     2      12      NA
 3     3       8       8
 4     4       5      NA
 5     5      20      NA
 6     6      33      NA
 7     7       0      14
 8     8       3      NA
 9     9       5      NA
10    10      14      17

更直接的实现方案 #

核心思路：先为每个df_b条目找到唯一的最接近Depth_a，再与df_a执行左连接，避免重复匹配。

方法1：利用距离矩阵匹配 #

library(dplyr)

# 计算所有Depth_b与Depth_a的绝对距离矩阵
dist_matrix <- outer(df_b$Depth_b, df_a$Depth_a, FUN = abs)
# 为每个Depth_b找到距离最小的Depth_a索引
match_indices <- apply(dist_matrix, 1, which.min)
# 给df_b绑定匹配的Depth_a
df_b_matched <- df_b %>%
  mutate(Depth_a = df_a$Depth_a[match_indices])

# 左连接得到最终结果
final_result <- df_a %>%
  left_join(df_b_matched, by = "Depth_a") %>%
  rename(Depth = Depth_a) %>%
  select(Depth, value_a, value_b)

方法2：用purrr实现逐行匹配 #

library(dplyr)
library(purrr)

df_b_matched <- df_b %>%
  mutate(Depth_a = map_dbl(Depth_b, ~ which.min(abs(df_a$Depth_a - .x))))

final_result <- df_a %>%
  left_join(df_b_matched, by = "Depth_a") %>%
  rename(Depth = Depth_a) %>%
  select(Depth, value_a, value_b)

这两种方法都先完成df_b到df_a的唯一匹配映射，再合并数据集，全程无中间冗余步骤，直接得到符合要求的结果。

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