基于大于等于条件的非精确数据连接问题求助

数据说明 #

• df数据：

# A tibble: 7 × 1
   var1
  <dbl>
1     0
2    10
3    20
4   210
5   230
6   266
7   267

• value_lookup匹配表：

# A tibble: 4 × 2
   var1 value
  <dbl> <dbl>
1     0     0
2   200    10
3   230    20
4   260    30

需求 #

将df的var1与value_lookup中**满足df$var1 >= value_lookup$var1的最大var1对应的value**进行匹配，预期输出：

var1 value
1    0     0
2   10     0
3   20     0
4  210    10
5  230    20
6  266    30
7  267    30

原尝试代码（未成功） #

value_lookup <- tibble(var1 = c(0, 200,230,260),
                       value = c(0,10,20,30))

df <- tibble(var1 = c(0,10,20,210,230,266,267))

library(fuzzyjoin)
fuzzyjoin::fuzzy_left_join(
  x = df, 
  y = value_lookup ,
  by = "var1",
  match_fun = list(`>=`)
) 

解决方案 #

方法1：修正fuzzyjoin用法

原代码仅完成了模糊匹配，但未筛选出每个df$var1对应的最大匹配项。需先匹配所有符合条件的记录，再分组筛选最大值对应的value：

library(fuzzyjoin)
library(dplyr)

fuzzy_left_join(df, value_lookup, by = "var1", match_fun = `>=`) %>%
  group_by(var1.x) %>%
  filter(var1.y == max(var1.y)) %>%
  ungroup() %>%
  select(var1 = var1.x, value)

方法2：dplyr结合findInterval（高效简洁）

利用findInterval直接定位每个var1在匹配表中的区间位置，该函数默认按升序匹配满足条件的最大阈值，完美契合需求：

library(dplyr)

df %>%
  mutate(value = value_lookup$value[findInterval(var1, value_lookup$var1)])

内容的提问来源于stack exchange，提问作者Julian