在R语言中查找两个数值型数据框的部分相同行（至少M/2列一致）

要解决这个问题，我们可以通过逐行比较两个数据框的对应列，统计每行中数值一致的列数，再筛选出符合阈值（至少M/2列相同）的行。以下是具体实现步骤，用R语言的tidyverse工具链来完成：

步骤1：准备环境和示例数据 #

首先加载所需的包，并定义你提供的示例数据：

library(dplyr)
library(tibble)

# 示例数据框df1
df1 <- tibble(
  A = c(1,2,3,4),
  B = c(5,6,7,8),
  C = c(9, 10, 11,12),
  D = c(13,14,15,16)
)

# 示例数据框df2
df2 <- tibble(
  A = c(1,2,3,4),
  B = c(15, 16, 17, 18),
  C = c(9, 10, 100, 200),
  D = c(500, 600, 700, 800)
)

步骤2：计算阈值并统计每行匹配列数 #

首先确定列数M，然后计算每行中两个数据框数值一致的列数，最后筛选出符合条件的行：

# 获取列数M
M <- ncol(df1)
# 计算阈值（至少M/2列相同）
threshold <- M / 2

# 统计每行匹配的列数，并筛选符合条件的行
match_result <- tibble(
  行索引 = 1:nrow(df1),
  匹配列数 = rowSums(df1 == df2),
  符合条件 = 匹配列数 >= threshold
) %>%
  filter(符合条件)

# 提取df1中符合条件的行
df1_matching_rows <- df1[match_result$行索引, ]
# 提取df2中对应的行
df2_matching_rows <- df2[match_result$行索引, ]

步骤3：查看结果 #

运行上述代码后，我们可以查看结果：

对于示例数据，M=4，阈值是2。逐行比较：

• 第1行：A和C列相同，共2列，符合条件
• 第2行：A和C列相同，共2列，符合条件
• 第3行：只有A列相同，共1列，不符合
• 第4行：只有A列相同，共1列，不符合

所以df1_matching_rows会返回前两行：

df1_matching_rows
#> # A tibble: 2 × 4
#>       A     B     C     D
#>   <dbl> <dbl> <dbl> <dbl>
#> 1     1     5     9    13
#> 2     2     6    10    14

对应的df2_matching_rows是：

df2_matching_rows
#> # A tibble: 2 × 4
#>       A     B     C     D
#>   <dbl> <dbl> <dbl> <dbl>
#> 1     1    15     9   500
#> 2     2    16    10   600

额外说明 #

• 如果M是奇数（比如M=5），阈值会是2.5，此时需要至少3列相同才会被选中（因为>=2.5等价于整数≥3）
• 该方法假设两个数据框的行数完全相同，且列的顺序和名称一致。如果列名不同，需要先对齐列（比如用dplyr::select调整列顺序）
• 对于大型数据框，rowSums的效率很高，因为它是向量化运算，比逐行循环快很多

内容的提问来源于stack exchange，提问作者Omry Atia