如何用df1中可变数量的ID列匹配df2对应Team列的值？

问题背景 #

现有两组数据：

df1 <- data.frame(ID=c(222717,321817,521917), Name=c("Bob","James","Eric"), Team=c("Badgers","Tigers","Possums"))
df2 <- data.frame(Badgers=c(222717,789423), Tigers=c(438283,978748), Possums=c(521917,251233))

此前用mapply实现了单ID列与df2对应Team列的匹配：

df1$result <- mapply(function(a,b) {b %in% df2[[a]]}, a=as.character(df1$Team), b=df1$ID)

但现在新数据框newDf1包含数量不固定的ID列：

newDf1 <- data.frame(ID1=c(222717,321817,521917), ID2=c(13998,978748,251233), Name=c("Bob","James","Eric"), Team=c("Badgers","Tigers","Possums"))

直接用grep提取ID列传入mapply无法正常工作，需要通用方案，不能硬编码ID列名称。

解决方案 #

方法1：基础R的apply实现 #

无需额外包，通过逐行遍历处理：

# 定位所有ID列
id_cols <- grep("ID", names(newDf1))

# 逐行检查：当前行任意ID存在于对应Team列则返回TRUE
newDf1$result <- apply(newDf1, 1, function(row) {
  target_team <- as.character(row["Team"])
  current_ids <- as.numeric(row[id_cols])
  any(current_ids %in% df2[[target_team]])
})

方法2：tidyverse风格（dplyr） #

如果习惯用tidyverse工具，用rowwise结合c_across更简洁：

library(dplyr)

newDf1 <- newDf1 %>%
  rowwise() %>%
  mutate(
    result = any(c_across(starts_with("ID")) %in% df2[[as.character(Team)]])
  ) %>%
  ungroup()

方法3：purrr的pmap实现 #

用pmap处理行级多参数匹配，逻辑更清晰：

library(purrr)

# 将每行的ID列转成列表，方便逐行传递
id_row_list <- split(newDf1[id_cols], seq(nrow(newDf1)))

# 逐行匹配：Team对应列与当前行ID集合比对
newDf1$result <- pmap_lgl(list(as.character(newDf1$Team), id_row_list), function(team, ids) {
  any(ids %in% df2[[team]])
})

原代码失效原因 #

你之前的代码中，b=newDf1[grep("ID",names(newDf1))]传入的是整个ID列组成的数据框，而mapply会按列而非按行传递参数，导致函数内的b %in% df2[[a]]是用整列数据和Team列比对，逻辑不符合需求。正确的做法是逐行提取ID集合，再与对应Team列做存在性检查。

内容的提问来源于stack exchange，提问作者orangeman51