如何在R中基于标记校正数据框（交叉引用数据框）

嘿，我完全懂你现在的困境——想用Set B的数据去更新更长的Set A，但俩数据集的TS变量因为舍入问题有微小偏差，没法直接做精确匹配对吧？我给你几个实用的R方案，结合你给的示例数据来演示，你可以按需选：

首先先把你的示例数据和我构造的一个符合场景的Set B放出来（方便你测试）：

library(tibble)
# 你的Set A示例
setA <- tibble(TS = c(rep(2.0913, 4), rep(2.123, 5)), 
               AF3_S = 1:9, 
               AF4_S = 1:9)
# 构造的Set B：TS有微小舍入偏差，条目数更少
setB <- tibble(TS = c(2.0912, 2.1231), 
               AF3_New = c(100, 200), 
               AF4_New = c(150, 250))

这个包就是为非精确匹配设计的，你可以自定义TS的偏差容忍范围，比如允许±0.001的误差，匹配上之后再用Set B的值替换Set A的原有数据：

library(fuzzyjoin)
library(dplyr)

# 按TS的偏差范围匹配俩数据集
matched_data <- fuzzy_left_join(
  setA,
  setB,
  by = "TS",
  match_fun = function(x, y) abs(x - y) < 0.001 # 这里设定你的偏差容忍度
)

# 替换值：如果匹配到Set B的新值就用新的，没匹配到就保留原Set A的值
updated_setA <- matched_data %>%
  mutate(
    AF3_S = ifelse(!is.na(AF3_New), AF3_New, AF3_S),
    AF4_S = ifelse(!is.na(AF4_New), AF4_New, AF4_S)
  ) %>%
  select(TS = TS.x, AF3_S, AF4_S) # 保留原Set A的TS和更新后的列

如果你的R版本是4.1及以上，dplyr自带的closest匹配超方便——不用手动设容忍度，它会自动给Set A的每个TS找Set B里最接近的那个值：

library(dplyr)

updated_setA <- setA %>%
  left_join(setB, by = join_by(closest(TS))) %>%
  # 用coalesce函数自动取非空值：有新值就用新的，没有就留原来的
  mutate(
    AF3_S = coalesce(AF3_New, AF3_S),
    AF4_S = coalesce(AF4_New, AF4_S)
  ) %>%
  select(-AF3_New, -AF4_New) # 删掉临时列

如果你的数据集特别大，data.table的滚动连接效率会比dplyr高很多，同样可以设定偏差范围：

library(data.table)

# 先转成data.table格式
setDT(setA)
setDT(setB)

# 滚动连接，允许TS的偏差在0.001以内
updated_setA <- setB[setA, on = .(TS), roll = 0.001, rollends = TRUE] %>%
  mutate(
    AF3_S = fifelse(!is.na(AF3_New), AF3_New, AF3_S),
    AF4_S = fifelse(!is.na(AF4_New), AF4_New, AF4_S)
  ) %>%
  select(TS, AF3_S, AF4_S)

几个要注意的小细节： #

• 一定要先确认你的实际偏差范围，把容忍度设得比实际偏差稍大一点，但别太大，不然会出现错误匹配。
• 如果Set B里有多个TS都和Set A的某个TS在容忍范围内，上面的方案默认取第一个匹配项，你可以根据需求调整（比如取均值、取最后一个匹配项）。

内容的提问来源于stack exchange，提问作者Michael