R语言中带条件合并df1与df2的技术实现问询

首先先还原你的原始数据构造代码和生成的数据框：

原始数据构造代码 #

varA=c('2018-01-03', '2018-01-25','2018-01-15','2018-01-06')
varB=c('2018-01-02', '2018-01-05', '2018-01-13', '2018-01-21', '2018-01-26')
varC=c(201801,201802,201804,201809,201815)
df1=as.data.frame(varA)
df2=as.data.frame(cbind(varB,varC))

生成的数据框 #

df1 #

df2 #

接下来针对带条件合并的需求，我会给出几种常见场景的实现方法，你可以根据实际条件调整：

场景1：匹配varA与varB日期最接近的记录 #

如果你的条件是为df1的每个日期找到df2中最接近的日期对应的varC，可以用dplyr结合fuzzyjoin包实现：

首先安装并加载所需包：

install.packages(c("dplyr", "fuzzyjoin", "lubridate"))
library(dplyr)
library(fuzzyjoin)
library(lubridate)

先把日期列转换为日期格式（原始数据是字符型，必须转成日期才能计算）：

df1 <- df1 %>% mutate(varA = ymd(varA))
df2 <- df2 %>% mutate(varB = ymd(varB), varC = as.numeric(varC))

然后进行模糊匹配，找到每个varA对应的最近varB记录：

df_closest <- df1 %>%
  fuzzy_left_join(df2, by = c("varA" = "varB"), match_fun = list(`>=`)) %>%
  group_by(varA) %>%
  filter(varB == max(varB)) %>%
  ungroup() %>%
  select(varA, varB, varC)

这个代码的逻辑是：先匹配所有varB小于等于varA的记录，然后在每个varA组里取最大的varB（也就是最近的前一个日期），最终得到合并结果。

场景2：基于日期范围的合并 #

如果你的条件是varA落在某个由varB定义的区间内（比如varB是起始日期，下一个varB是结束日期），可以这样处理：

先给df2添加结束日期列：

df2 <- df2 %>%
  arrange(varB) %>%
  mutate(varB_end = lead(varB, default = ymd("2018-12-31")))

然后用fuzzy_join匹配varA在varB和varB_end之间的记录：

df_range <- fuzzy_left_join(
  df1, df2,
  by = c("varA" = "varB", "varA" = "varB_end"),
  match_fun = list(`>=`, `<`)
) %>%
  select(varA, varB, varC)

场景3：精确匹配（如果有共同匹配键） #

如果你的条件是存在精确匹配的键（比如假设varA和varB有完全相同的日期），可以用基础R的merge函数或者dplyr的left_join：

用基础R的merge #

# 先转日期格式
df1$varA <- as.Date(df1$varA)
df2$varB <- as.Date(df2$varB)

df_exact <- merge(df1, df2, by.x = "varA", by.y = "varB", all.x = TRUE)

用dplyr的left_join #

library(dplyr)
df_exact <- df1 %>%
  mutate(varA = as.Date(varA)) %>%
  left_join(df2 %>% mutate(varB = as.Date(varB)), by = c("varA" = "varB"))

需要注意的是，原始数据中的日期是字符类型，必须先转换为日期格式才能进行日期相关的条件匹配，否则会按字符排序逻辑处理，结果会出错。

内容的提问来源于stack exchange，提问作者MLPNPC