R包fuzzyjoin中multi_by/multi_match_fun与by/match_fun的区别疑问

问题描述 #

有人能帮我理解R包fuzzyjoin中的multi_by和multi_match_fun与by和match_fun的实际功能差异吗？以下是v0.1.6版本的包文档说明：

by Columns of each to join
match_fun Vectorized function given two columns, returning TRUE or FALSE as to whether they are a match. Can be a list of functions one for each pair of columns specified in by (if a named list, it uses the names in x). If only one function is given it is used on all column pairs.
multi_by Columns to join, where all columns will be used to test matches together
multi_match_fun Function to use for testing matches, performed on all columns in each data frame simultaneously

我无法理解二者的差异：难道使用by/match_fun时，不也是所有列共同参与匹配测试吗？即我是否错误地认为，只有当match_fun提供的函数在所有列对上都匹配时，才会返回连接/匹配结果？

核心差异解析 #

1. by + match_fun：逐列独立匹配后取交集

你的理解没错：by指定的每一组列对会单独用match_fun（对应列对的函数）做匹配判断，只有当所有列对的匹配结果都为TRUE时，两行才会被判定为匹配。本质是多轮独立匹配后的“且”逻辑。

举个实际例子：

# 假设x有a、b列，y有a2、b2列
fuzzy_inner_join(x, y,
                 by = c("a" = "a2", "b" = "b2"),
                 match_fun = list(
                   function(x,y) abs(x-y) <= 1,  # a和a2差值≤1
                   function(x,y) x == y          # b和b2完全相等
                 ))

只有当x$a与y$a2的差值≤1 且 x$b与y$b2完全相等时，这两行才会被匹配上。

2. multi_by + multi_match_fun：多列整体做一次匹配判断

这组参数是把multi_by指定的所有列当成一个整体输入，一次性传给multi_match_fun做判断，支持跨列计算的自定义匹配逻辑，这是by+match_fun做不到的。

比如要实现“x的a+b和y的a2+b2差值≤2就算匹配”：

fuzzy_inner_join(x, y,
                 multi_by = c("a" = "a2", "b" = "b2"),
                 multi_match_fun = function(x_cols, y_cols) {
                   # x_cols是x中a、b列组成的子集，y_cols是y中a2、b2列组成的子集
                   abs(rowSums(x_cols) - rowSums(y_cols)) <= 2
                 })

这里函数接收的是多列组成的数据集，直接基于整体计算结果判断是否匹配，不需要逐列单独验证。

总结 #

• by+match_fun：逐列独立匹配，所有列对都通过才算匹配，是固定的“且”逻辑
• multi_by+multi_match_fun：多列作为整体输入，匹配逻辑完全自定义，支持跨列运算的复杂规则

内容的提问来源于stack exchange，提问作者tospo