R语言如何基于日期范围对两个DataFrame实现关联匹配

问题原因 #

• 缺少ID关联条件：原代码的JOIN没有限制两个表ID相等，会出现跨ID的错误匹配
• 区间匹配逻辑写反：你需要的是OUT的完整区间落在HOSP的区间内，原代码的判断逻辑是HOSP的入院开始时间落在OUT的区间内，和需求完全相反

解决方案 #

方案1：修正sqldf语句 #

直接修正SQL的关联条件即可得到符合预期的结果：

library(sqldf)
RESULT <- sqldf("select HOSP.*, OUT.DT_START_OUT, OUT.DT_END_OUT 
                from HOSP
                left join OUT
                on HOSP.ID = OUT.ID 
                and OUT.DT_START_OUT >= HOSP.DT_START_HOSP 
                and OUT.DT_END_OUT <= HOSP.DT_END_HOSP")

方案2：tidyverse生态实现 #

如果你习惯用dplyr语法，可以用如下写法实现相同逻辑：

library(dplyr)
RESULT <- HOSP %>%
  left_join(OUT, by = "ID") %>%
  filter(
    (DT_START_OUT >= DT_START_HOSP & DT_END_OUT <= DT_END_HOSP) | is.na(DT_START_OUT)
  )

内容的提问来源于stack exchange，提问作者Bruno Avila