data.table滚动连接(roll join)中NA键未返回对应NA值的问题咨询

• data.table的滚动连接依赖键的排序结果匹配记录，默认配置下age字段的NA值会被排在数值序列的最前或最后端，执行roll='nearest'规则时，会自动匹配参考集x2里距离这个端点最近的age对应的yhat，因此不会返回空值。
• 滚动连接本身没有内置跳过NA连接键的逻辑，只要连接键在排序序列中存在对应位置，就会触发匹配规则。

方案1：连接后批量修正（代码改动最小） #

完成滚动连接后，直接将原age为NA的行对应的yhat强制赋值为NA即可：

library(data.table)
# 原有连接逻辑不变
setkey(x1, age)
setkey(x2, age)
res <- x2[x1, roll = 'nearest']
# 新增修正逻辑
res[is.na(age), yhat := NA]

方案2：连接前拆分处理（性能更优，适合大数据集） #

如果数据集体量较大，拆分处理可以减少无效连接的计算量：

# 拆分有age值和age缺失的两组
x1_valid <- x1[!is.na(age)]
x1_missing <- x1[is.na(age)]
# 仅对有效值组执行滚动连接
setkey(x1_valid, age)
setkey(x2, age)
res_valid <- x2[x1_valid, roll = 'nearest']
# 缺失组直接赋值yhat为NA后合并
x1_missing[, yhat := NA_real_]
res <- rbind(res_valid, x1_missing)

内容的提问来源于stack exchange，提问作者mharinga