R语言：是否存在支持<=或>=多条件的类Vlookup匹配函数？

当然有啦！在R里实现你说的这种类似SQL逐值子查询的功能，完全没问题，我给你分享几个常用的实用方法，适配不同的数据规模和你的使用习惯：

如果你习惯用tidyverse生态，这个方法最直观，和你写的SQL逻辑几乎一一对应：

library(dplyr)

# 假设table_1和table_2是标准数据框
table_1_result <- table_1 %>%
  rowwise() %>% # 开启逐行处理模式
  mutate(
    value1table2 = table_2 %>%
      # 匹配当前行的value1，且table_2的Date小于当前行的Date
      filter(value1 == !!cur_data()$value1, Date < !!cur_data()$Date) %>%
      pull(value) %>% # 提取匹配到的value列
      min(na.rm = TRUE) # 取最小值，na.rm处理无匹配的情况
  ) %>%
  ungroup() # 记得取消行分组，避免影响后续操作

如果你的数据集比较大，逐行处理会变慢，这种连接+分组的方式效率更高：

library(dplyr)

# 先按value1连接两个表，筛选符合日期条件的行
joined_data <- table_1 %>%
  left_join(table_2, by = "value1", suffix = c("_1", "_2")) %>%
  filter(Date_1 > Date_2)

# 按原table_1的所有列分组（确保对应原表的每一行），计算最小value
min_values <- joined_data %>%
  group_by(across(all_of(names(table_1)))) %>%
  summarise(value1table2 = min(value, na.rm = TRUE), .groups = "drop")

# 合并回原表，自动为无匹配的行填充NA
table_1_result <- table_1 %>%
  left_join(min_values, by = names(table_1))

要是你的table_1有唯一标识列（比如id），分组时只用这个列会更高效哦。

如果处理的是超大数据集，data.table的性能优势会非常明显，写法也很简洁：

library(data.table)

# 转换为data.table格式（也可以直接创建为data.table）
setDT(table_1)
setDT(table_2)

# 逐行匹配条件并计算最小值，直接添加到原表
table_1[, value1table2 := table_2[.SD, on = .(value1 = value1, Date < Date), min(value), by = .EACHI]]

这里by = .EACHI就是逐行处理table_1的核心逻辑，on参数指定了匹配的条件，整个操作是向量化的，速度比逐行循环快N倍。

内容的提问来源于stack exchange，提问作者Gabriel Fiorelli