R语言基于data.table实现两表区间重叠匹配的问题

原代码的错误原因 #

• 连接条件仅用表r的区间右端点re和表f的区间做匹配，没有覆盖两个区间重叠的完整判定逻辑。数学上两个闭区间[rs, re]和[fs, fe]存在重叠的充要条件是：rs <= fe 且 re >= fs，原代码仅判断了re是否落在f的区间内，完全遗漏了对区间起点的判断，导致类似iv、vi这类区间跨越f边界的行匹配错误。
• 后续使用nafill(flen, 'locf')做向下填充属于错误补值逻辑：未匹配上的行并不是靠“取上一行的非空值”就能得到正确结果，反而会把不属于本行的区间值错误套用到当前行。

正确实现方法 #

方法1：data.table 规范模糊连接 #

直接把区间重叠的判定规则作为连接条件写入on参数，因为示例中表f的两个区间完全无重叠，每一行r的区间最多只会匹配到1个f的区间，不需要额外的填充操作：

library(data.table)
# 转换为data.table格式
setDT(r)
setDT(f)
# 按区间重叠规则匹配对应fl值
r[f, flen := fl, on = .(rs <= fe, re >= fs)]

运行后输出结果和预期完全一致：

rn rs re flen
1:    i  1 10   10
2:   ii 21 30   15
3:  iii  3 17   10
4:   iv 23 42   15
5:    v  6 18   10
6:   vi 28 43   15
7:  vii  7 11   10
8: viii 26 31   15

方法2：基础R快速匹配 #

因为示例中表f的区间是按从小到大排序、无重叠的，可直接用findInterval快速定位每个r区间对应的f条目，不需要加载额外包：

# 以r区间的中点为参照，定位落在f的哪个区间内
r$flen <- f$fl[findInterval((r$rs + r$re)/2, f$fs)]

该方法的运行结果和上述data.table方案完全一致。

注：如果后续存在某行r的区间同时跨多个f的区间的场景，上述两种单值匹配的逻辑需要调整为返回所有匹配的fl值，不过在当前示例的数据结构下完全适用。

内容的提问来源于stack exchange，提问作者Digsby