R语言如何校验两个dataframe的姓名+ID双列组合是否匹配

测试数据构造 #

现有两个数据框，结构如下：

• 数据框A（待校验表）

name <- c("John", "Bill", "Amy", "Bill", "Mia") 
Present.ID <- c(12345, 678910, 12345, 8090100, 246810) 
A <- as.data.frame(cbind(name, Present.ID))

• 数据框B（参照表）

name <- c("John", "Bill", "Amy", "Bill", "Mia") 
Applied.ID <- c(12345, 678910, 12345, 8090100, NA) 
B <- as.data.frame(cbind(name, Applied.ID))

校验规则 #

• 核心逻辑：A中name+Present.ID的二元组合，必须在B中存在对应的name+Applied.ID组合
• 业务约束：
  • 不存在重名的不同用户，同名出现代表同一用户不同时期对应不同ID
  • 不同姓名可共享同一ID
  • 数据中存在大量未分配ID（值为NA）的记录
• 输出要求：在A中新增check布尔列，标记匹配结果，效果类似单值匹配语句A$Present.ID %in% B$Applied.ID，仅额外增加姓名必须一致的约束，期望输出如下：

name Present.ID check
1 John      12345  TRUE
2 Bill     678910  TRUE
3  Amy      12345  TRUE
4 Bill    8090100  TRUE
5  Mia     246810 FALSE

实现方案 #

方案1：基础R无依赖实现 #

和单值%in%逻辑完全对齐，通过拼接组合键实现匹配，无需安装第三方包：

# 用不会出现在姓名/ID中的特殊字符串作为分隔符拼接两个字段，生成唯一组合键
A$check <- paste(A$name, A$Present.ID, sep = "___") %in% paste(B$name, B$Applied.ID, sep = "___")

注意：必须加分隔符，避免无分隔拼接时出现歧义（例如name="ab"、ID="c"和name="a"、ID="bc"会被误判为同一组合）。如果需要把A中ID为空的记录标记为无需校验，可改写为A$check <- ifelse(is.na(A$Present.ID), NA, paste(A$name, A$Present.ID, sep = "___") %in% paste(B$name, B$Applied.ID, sep = "___"))。

方案2：dplyr连接实现（适合tidyverse工作流） #

如果日常用dplyr处理数据，可通过双字段连接打标记，不需要拼接字符串，无分隔符歧义风险：

library(dplyr)
A <- B %>%
  # 给参照表B先加匹配成功标记
  mutate(check = TRUE) %>%
  # 双字段右连接到待校验表A
  right_join(A, by = c("name" = "name", "Applied.ID" = "Present.ID")) %>%
  # 未匹配到的记录标记为FALSE
  mutate(check = replace(check, is.na(check), FALSE))

两种方案返回的结果完全一致，均符合输出要求。

内容的提问来源于stack exchange，提问作者TRS6