R中如何合并带年份范围与单年份的两个dataframe并匹配unique_id

核心逻辑 #

• 先给data1增加唯一行标识，避免重名记录混淆
• 按name字段关联两个数据框，拿到同一个姓名下所有可能的匹配项
• 对每个data1的记录，优先选择year_of_birth落在[min_year, max_year]区间的匹配项，无符合项则选和区间距离最小的项
• 每个data1记录只保留最优的1条匹配结果

实现代码 #

首先加载依赖包（tidyverse是R数据处理常用工具集，新手直接安装加载即可）：

# 安装包（首次运行执行，后续可以注释掉）
# install.packages("tidyverse")
library(tidyverse)

# 你的原始数据
data1<-data.frame(name=c("Jessica_Smith","John_Smith","John_Smith") ,
                  max_year=c(2000,1989,2005), 
                  min_year=c(1990,1989,2001))

data2<-data.frame(name=c("Jessica_Smith","John_Smith","John_Smith") ,
                  year_of_birth=c(1995,1989,2002),unique_id=c("aby37","nf93","fnd34"))

# 匹配处理
result <- data1 %>%
  # 给data1加行号，保证每条原始记录都能对应
  mutate(row_id = row_number()) %>%
  # 按姓名关联所有可能的data2记录
  left_join(data2, by = "name") %>%
  # 按data1的每条记录分组
  group_by(row_id) %>%
  # 计算和区间的最小距离：在区间内距离为0，小于区间取到min的差，大于取到max的差
  mutate(
    year_diff = case_when(
      year_of_birth >= min_year & year_of_birth <= max_year ~ 0,
      year_of_birth < min_year ~ min_year - year_of_birth,
      TRUE ~ year_of_birth - max_year
    )
  ) %>%
  # 按距离升序排列，距离越小优先级越高
  arrange(year_diff) %>%
  # 取第一条最优匹配
  slice(1) %>%
  # 去掉不需要的辅助列
  ungroup() %>%
  select(-row_id, -year_diff)

输出结果示例 #

运行后得到的result就是匹配完成的表，自带对应unique_id，结果如下：

如果你处理的数据量超过10万行，可以改用data.table包的滚动连接实现，运算速度会快很多，基础逻辑和上述方案一致。

内容的提问来源于stack exchange，提问作者sd3184