如何在tidyverse中基于OR条件连接两个R数据框？

需求说明 #

需要基于以下OR条件连接两个数据框df_obs和df_event，最终将df_event的event列添加到df_obs中，结果需与示例df_res一致，且不使用SQL方法：

• 条件a：obs_id与event_id匹配，且obs_date或event_date（或两者）为NA
• 条件b：obs_date与event_date完全相同，且obs_id或event_id（或两者）为NA

排除规则：若obs_id和event_id均非NA且不相等，或obs_date和event_date均非NA且不相等，则不匹配。

示例数据 #

library(tidyverse)

df_obs <- tibble::tribble(
    ~obs,    ~obs_date, ~obs_id,
    "a1",           NA,     10L,
    "a2", "01/01/2000",      NA,
     "b", "02/01/2000",      NA,
    "a3", "03/01/2000",     10L
)

df_event <- tibble::tribble(
    ~event,  ~event_date, ~event_id,
       "A", "01/01/2000",       10L,
       "B", "02/01/2000",        NA
)

# 目标结果
df_res <- tibble::tribble(
        ~obs,    ~obs_date, ~obs_id, ~event,
        "a1",           NA,     10L,    "A",
        "a2", "01/01/2000",      NA,    "A",
         "b", "02/01/2000",      NA,    "B",
        "a3", "03/01/2000",     10L,     NA
)

非SQL解决方案 #

通过交叉连接+条件过滤的方式实现，步骤如下：

1. 生成两个数据框的所有可能行组合
2. 按需求筛选有效匹配组合
3. 合并回原始df_obs，保留所有原始行并填充未匹配的event为NA

df_result <- df_obs %>%
  # 生成所有行组合
  cross_join(df_event) %>%
  # 筛选符合条件a或条件b的有效匹配
  filter(
    (obs_id == event_id & (is.na(obs_date) | is.na(event_date))) |
    (obs_date == event_date & (is.na(obs_id) | is.na(event_id)))
  ) %>%
  # 保留目标列
  select(obs, obs_date, obs_id, event) %>%
  # 合并回原始df_obs，确保所有行保留
  right_join(df_obs, by = c("obs", "obs_date", "obs_id")) %>%
  # 去重（避免同一行多匹配的情况）
  distinct(obs, obs_date, obs_id, .keep_all = TRUE)

# 查看结果
df_result
#> # A tibble: 4 × 4
#>   obs   obs_date   obs_id event
#>   <chr> <chr>       <int> <chr>
#> 1 a1    <NA>           10 A    
#> 2 a2    01/01/2000     NA A    
#> 3 b     02/01/2000     NA B    
#> 4 a3    03/01/2000     10 <NA>

代码说明 #

• cross_join()：生成两个数据框的笛卡尔积，包含所有可能的行配对
• filter()：严格按照需求的两个OR条件筛选，自动排除不符合规则的组合
• right_join()：确保df_obs的所有原始行都被保留，未匹配到的行event列自动填充为NA
• distinct()：防止同一行出现多个匹配结果，增强代码鲁棒性

内容的提问来源于stack exchange，提问作者zoowalk