在R中基于另一数据表的数值范围近似匹配更新数据表

需要基于df_unique的数据更新lws_data，由于df_unique$org_rowid的部分值不存在于lws_data中，需采用近似匹配（类似Excel VLOOKUP的approx.match=TRUE）——对lws_data中的每个V1值，找到df_unique里小于等于该值的最大org_rowid，并匹配对应的event_definition_2。

数据表结构 #

lws_data（示例前30行） #

structure(list(V1 = 1:30), row.names = c(NA, -30L), class = c("data.table", "data.frame"), .internal.selfref = <pointer: 0x000001f900011ef0>)

df_unique（示例前30行） #

structure(list(org_rowid = c(1L, 302L, 537L, 749L, 1082L, 1266L,
1728L, 2177L, 2362L, 2998L, 3049L, 3361L, 3366L, 3427L, 3748L,
3781L, 3805L, 4053L, 4667L, 4772L, 4776L, 4807L, 4909L, 5017L,
5544L, 5653L, 5660L, 5666L, 5676L, 5700L), event_definition_2 = c(0,
1, 1, 2, 2, 3, 3, 4, 4, 5, 5, 6, 6, 7, 7, 8, 8, 9, 9, 10, 10,
11, 11, 12, 12, 13, 13, 14, 14, 15)), row.names = c(NA, 30L), class = "data.frame")

解决方案 #

方法1：基础R实现（用findInterval） #

因为df_unique$org_rowid是升序排列的，findInterval可以快速定位每个V1对应的区间位置，进而匹配对应值：

# 确保df_unique的org_rowid是升序（示例数据已满足，若不确定可先执行排序）
df_unique <- df_unique[order(df_unique$org_rowid), ]

# 给lws_data添加匹配后的event_definition_2列
lws_data$event_definition_2 <- df_unique$event_definition_2[findInterval(lws_data$V1, df_unique$org_rowid)]

方法2：data.table滚动连接（大数据集更高效） #

如果处理的是大数据集，用data.table的滚动连接性能更优：

library(data.table)
# 将df_unique转换为data.table格式
setDT(df_unique)

# 设置键并执行滚动连接，roll=TRUE表示匹配最近的前一个符合条件的值
setkey(df_unique, org_rowid)
lws_data <- df_unique[lws_data, on = .(org_rowid = V1), roll = TRUE]

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