R语言如何按数值区间关联两表 优先求dplyr实现方案

首选：dplyr 原生非等值连接（dplyr ≥ 1.1.0） #

这是最符合tidyverse语法习惯的方案，无需额外安装扩展包：

library(dplyr)

# 执行区间左连接
result <- table1 %>%
  left_join(table2,
            # 定义区间匹配规则
            join_by(HSICCD >= from, HSICCD <= to)) %>%
  mutate(
    # 兼容HSICCD为空的赋值逻辑
    Industry = ifelse(is.na(HSICCD), "Other", division),
    # 自动删除中间过程的from、to、division字段
    .keep = "unused"
  )

这个方案的性能远高于嵌套循环，万行以上的数据提速可达数百倍。

备选1：powerjoin 包适配低版本dplyr #

如果你使用的dplyr版本低于1.1.0没有内置join_by功能，可以使用tidyverse生态的powerjoin扩展包：

# 首次使用先安装：install.packages("powerjoin")
library(powerjoin)

result <- power_left_join(
  x = table1,
  y = table2,
  by = ~ .x$HSICCD >= .y$from & .x$HSICCD <= .y$to
) %>%
  mutate(
    Industry = ifelse(is.na(HSICCD), "Other", division),
    .keep = "unused"
  )

备选2：data.table 超大数据量优化方案 #

处理百万行以上的大表时，data.table的非等值连接性能最优：

library(data.table)

# 转换为data.table格式
setDT(table1)
setDT(table2)

result <- table2[table1, on = .(from <= HSICCD, to >= HSICCD)] %>%
  # 处理空值逻辑
  .[is.na(HSICCD), division := "Other"] %>%
  # 重命名并保留需要的字段
  setnames("division", "Industry") %>%
  .[, .(PERMNO, HSICCD, Industry)]

注意事项 #

使用前请确认table2的区间没有重叠，否则会出现一行匹配多行的情况，如有重叠需要提前补充优先级过滤规则。

内容的提问来源于stack exchange，提问作者MariusJ