如何基于最近较小值实现两个数据集全连接？fuzzy_full_join报错处理

错误原因 #

你使用fuzzy_full_join时的报错，是因为match_fun参数传入了字符串'>'，但该参数要求传入返回逻辑值的函数，而非字符串。正确的写法应该是function(x, y) x > y，用来判断左表的num是否大于右表的num.1。

但仅修正参数还不够，因为单纯的模糊连接会匹配所有满足num > num.1的记录，我们还需要进一步筛选出每个num对应的最近的较小值（即最大的num.1），同时保留两个表中无匹配的记录。

解决方案（附示例） #

先构造示例数据集模拟你的场景：

# 示例左表：gps.pts
gps.pts <- data.frame(num = c(3, 7, 12), value_gps = c("A", "B", "C"))

# 示例右表：dive.sum
dive.sum <- data.frame(num.1 = c(2, 5, 9, 15), value_dive = c("X", "Y", "Z", "W"))

方法1：用fuzzyjoin + dplyr实现 #

library(fuzzyjoin)
library(dplyr)

# 1. 执行模糊全连接，匹配所有num > num.1的记录
temp_join <- fuzzy_full_join(
  gps.pts, 
  dive.sum, 
  by = c('num' = 'num.1'), 
  match_fun = function(x, y) x > y
)

# 2. 筛选每个num对应的最大num.1（最近的较小值），同时保留右表无匹配的记录
final_result <- temp_join %>%
  # 对左表的每个num，保留最大的匹配num.1
  group_by(num) %>%
  filter(is.na(num.1) | num.1 == max(num.1)) %>%
  ungroup() %>%
  # 补充右表中没有对应左表num的记录
  bind_rows(
    dive.sum %>%
      filter(!num.1 %in% temp_join$num.1[!is.na(temp_join$num)]) %>%
      mutate(num = NA, value_gps = NA)
  ) %>%
  # 调整列顺序
  select(num, value_gps, num.1, value_dive)

方法2：用data.table实现（更高效，适合大数据） #

library(data.table)

setDT(gps.pts)
setDT(dive.sum)

# 1. 匹配左表num对应的最近较小num.1
temp_result <- dive.sum[gps.pts, on = .(num.1 = num), roll = Inf]

# 2. 补充右表无匹配的记录
final_result <- rbind(
  temp_result,
  dive.sum[!num.1 %in% temp_result$num.1[!is.na(temp_result$num)], 
           .(num = NA, value_gps = NA, num.1, value_dive)]
)

两种方法最终都会得到期望的合并结果：

内容的提问来源于stack exchange，提问作者Rana