使用data.table区间连接时保留原date列的方法

首先构造可复现的示例数据：

library(data.table)

# 分组时间区间表
df <- data.table(
  group = c("A", "A", "B"),
  start = as.Date(c("2023-01-01", "2023-02-01", "2023-01-01")),
  end = as.Date(c("2023-01-15", "2023-02-28", "2023-01-31")),
  value = c(10, 20, 30)
)

# 待匹配日期表
df_dates <- data.table(
  group = c("A", "A", "B", "B"),
  date = as.Date(c("2023-01-05", "2023-02-10", "2023-01-20", "2023-02-05"))
)

问题原因 #

如果直接使用df_dates[df, on = .(group, date >= start, date <= end)]，data.table会将连接条件中的date >= start替换为左表的date列值等于右表的start，导致结果中的date被覆盖为start的值，丢失原日期。

正确实现方式 #

通过明确引用左表（df_dates）的原日期列（x.date），在连接后保留该值：

# 按组匹配区间，保留df_dates的原date列
result <- df_dates[df, 
                   on = .(group, date >= start, date <= end), 
                   nomatch = 0,  # 过滤不匹配区间的记录
                   .(group, date = x.date, start, end, value)]

输出结果 #

print(result)
#    group       date      start        end value
# 1:     A 2023-01-05 2023-01-01 2023-01-15    10
# 2:     A 2023-02-10 2023-02-01 2023-02-28    20
# 3:     B 2023-01-20 2023-01-01 2023-01-31    30

核心要点 #

• 用x.前缀引用左表（df_dates）的列，避免被连接条件覆盖
• nomatch = 0用于剔除不在任何区间内的日期记录
• 连接条件.(group, date >= start, date <= end)确保按组匹配时间区间

内容的提问来源于stack exchange，提问作者Quinten