R语言：如何基于多列匹配直接左连接两个数据框（无需两次连接）

现有两个R数据框df1和df2，数据定义及输出如下：

df1 <- data.frame(col1 = c("a", "c", "d"),
                  col2 = c("m", "e", "d"))
# df1 输出
  col1 col2
1    a    m
2    c    e
3    d    d

df2 <- data.frame(coll1 = c("m", "f", "d"),
                  coll2 = c(2, 4, 5))
# df2 输出
  coll1 coll2
1     m     2
2     f     4
3     d     5

需求是：无需执行两次左连接，直接基于df1的col1或col2与df2的coll1匹配的条件完成左连接，最终得到如下结果：

# 第一行：df1的"a"和"m"中，"m"匹配df2的coll1，对应值为2
# 第二行：df1的"c"和"e"均无匹配项，对应值为NA
# 第三行："d"同时匹配两列，对应值为5
df3
  col1 col2 output
1    a    m      2
2    c    e     NA
3    d    d      5

解决方案 #

方法1：dplyr（tidyverse）实现 #

先逐行提取df1中能匹配df2$coll1的第一个值，再做一次左连接，最后整理结果：

library(dplyr)

df3 <- df1 %>%
  # 逐行获取col1/col2中第一个匹配df2$coll1的值，无匹配则为NA
  mutate(match_val = pmap_chr(across(c(col1, col2)), ~ {
    vals <- c(..1, ..2)
    hits <- vals[vals %in% df2$coll1]
    if (length(hits) > 0) hits[1] else NA_character_
  })) %>%
  # 左连接df2，匹配match_val和coll1
  left_join(df2, by = c("match_val" = "coll1")) %>%
  # 重命名并保留需要的列
  rename(output = coll2) %>%
  select(col1, col2, output)

方法2：Base R 原生实现 #

用apply逐行处理匹配逻辑，再通过match映射对应值：

# 逐行提取df1中第一个匹配df2$coll1的值
match_vals <- apply(df1, 1, function(row) {
  hits <- row[row %in% df2$coll1]
  if (length(hits) > 0) hits[1] else NA
})

# 映射df2中对应的coll2值
output <- df2$coll2[match(match_vals, df2$coll1)]

# 组合成结果数据框
df3 <- cbind(df1, output = output)

方法3：data.table（大数据场景高效） #

如果数据量较大，data.table的逐行处理和连接效率更高：

library(data.table)

setDT(df1)
setDT(df2)

df3 <- df1[, match_val := {
  vals <- c(col1, col2)
  hits <- vals[vals %in% df2$coll1]
  if (length(hits) > 0) hits[1] else NA_character_
}, by = .I][  # .I 代表逐行处理
  df2, on = .(match_val = coll1), output := i.coll2
][, .(col1, col2, output)]  # 保留目标列

内容的提问来源于stack exchange，提问作者islem