You need to enable JavaScript to run this app. R语言中结合if()逻辑的类VLOOKUP数据集合并匹配实现
优惠活动
大模型
产品
解决方案
定价
更多

R语言中结合if()逻辑的类VLOOKUP数据集合并匹配实现

跨表关联匹配与分组规则计算实现

数据基础规格

  • 主表df1:共450000行,每行对应唯一STUDY_ID,字段包含STUDY_ID、INDEX_DATE(研究索引日期)
  • 关联表df2:共2000000行,维度覆盖全部STUDY_ID,但单ID存在多条重复记录,字段包含STUDY_ID、ADMIT_TIME(入院时间)、CARE_SETTING(照护场景编码,取值为I/O/E/U)

处理流程

第一步:等值关联筛选

按STUDY_ID关联两个表,仅保留INDEX_DATE与ADMIT_TIME取值完全相等的记录,剔除所有日期不匹配的无效关联结果,不参与后续规则计算。

第二步:分组规则判断

对筛选后的有效记录按STUDY_ID分组,按以下规则生成最终的CARE_SETTING取值:

  • 若分组下所有匹配记录的CARE_SETTING取值完全统一,直接保留该统一值作为最终结果
  • 若分组下的CARE_SETTING为包含I的任意混合取值组合,最终结果固定返回I
  • 若分组下的CARE_SETTING为不含I的其他任意混合取值组合,最终结果固定返回O

示例演示

输入样例

df1输入:

  • STUDY_ID=1234,INDEX_DATE=8-Oct-20
  • STUDY_ID=1235,INDEX_DATE=13-Jul-20
  • STUDY_ID=1236,INDEX_DATE=5-Jun-19
  • STUDY_ID=1237,INDEX_DATE=18-Aug-20
  • STUDY_ID=1238,INDEX_DATE=13-Jan-20
  • STUDY_ID=1239,INDEX_DATE=12-Sep-20

df2输入:

  • STUDY_ID=1234:2条记录,ADMIT_TIME均为8-Oct-20,CARE_SETTING分别为E、O
  • STUDY_ID=1236:2条记录,ADMIT_TIME分别为25-Feb-19、28-Aug-20,CARE_SETTING均为I
  • STUDY_ID=1238:2条记录,ADMIT_TIME均为13-Jan-20,CARE_SETTING分别为I、O
  • STUDY_ID=1239:2条记录,ADMIT_TIME分别为2-Feb-20、12-Sep-20,CARE_SETTING分别为E、O
  • STUDY_ID=1235:2条记录,ADMIT_TIME均为13-Jul-20,CARE_SETTING均为E
  • STUDY_ID=1237:2条记录,ADMIT_TIME分别为22-Mar-20、12-Apr-20,CARE_SETTING分别为O、I

预期输出

最终结果集仅保留3个字段:STUDY_ID、匹配成功的等值日期(INDEX_DATE=ADMIT_TIME)、计算得到的最终CARE_SETTING,对应样例输出为:

  • STUDY_ID=1234:日期=8-Oct-20,CARE_SETTING=O(匹配记录为E、O,无I值的多值混合,返回O)
  • STUDY_ID=1235:日期=13-Jul-20,CARE_SETTING=E(匹配记录全为E,保留统一值)
  • STUDY_ID=1238:日期=13-Jan-20,CARE_SETTING=I(匹配记录含I的混合组合,返回I)
  • STUDY_ID=1239:日期=12-Sep-20,CARE_SETTING=O(匹配记录为E、O,无I值的多值混合,返回O)

注:STUDY_ID=1236、1237因无符合日期等值匹配的记录,不会出现在最终结果集中。

性能注意事项

百万级数据量下需避免逐行循环匹配的低效写法,提前统一日期字段格式、对关联键建立哈希索引,采用向量化关联+分组聚合的逻辑处理;分组判断时可优先扫描是否存在CARE_SETTING="I"的记录,命中后直接返回结果,无需遍历全组剩余数据,整体运算耗时可控制在秒级。


内容的提问来源于stack exchange,提问作者Jazmin2252

相关产品推荐
方舟 Agent Plan

超全模态模型 × Harness 升级,最新支持 Deepseek-V4.1-Flash、GLM-5.3 系列、Doubao-Seedream-5.0-pro、Kimi-K3 (部分), 限时 9.9 元起

最近更新时间:2026.11.04 03:36:03