如何避免fuzzyjoin::interval_join在区间边界产生重复匹配结果

问题原因 #

fuzzyjoin::interval_join默认采用左闭右闭的区间匹配逻辑，当左表时间戳恰好等于两个相邻区间的交界点时，会同时满足「≥前一区间起始时间、≤前一区间结束时间」和「≥后一区间起始时间、≤后一区间结束时间」两个匹配规则，因此生成重复的匹配记录。

最优解决方案 #

最规范的做法是通过match_fun参数自定义区间匹配规则，将区间改为业务中更常用的左闭右开模式，无需事后手动筛选：

result <- fuzzyjoin::interval_join(
  x = left.data,
  y = right.data,
  by = c(
    "Timestamp" = "PeriodStartTime",
    "Timestamp" = "PeriodEndTime"
  ),
  match_fun = list(`>=`, `<`), # 分别对应两组字段的匹配逻辑
  mode = "left"
)

修改后交界点的时间戳只会匹配后一个区间，不会再产生重复记录。

特殊场景适配方案 #

如果业务逻辑必须保留左闭右闭的规则，可在匹配后按左表唯一标识去重，自动保留第一条匹配结果即可：

library(dplyr)
result <- fuzzyjoin::interval_join(
  x = left.data,
  y = right.data,
  by = c(
    "Timestamp" = "PeriodStartTime",
    "Timestamp" = "PeriodEndTime"
  ),
  mode = "left"
) %>%
  group_by(Data.left, Timestamp) %>%
  slice_head(n = 1) %>%
  ungroup()

内容的提问来源于stack exchange，提问作者Someone2