R语言data.table滚动连接：如何基于给定数据表实现匹配？

嘿，我来帮你搞定这个data.table滚动连接的问题！首先咱们明确核心需求：基于id匹配表A和表B，为表A的每一行找到表B中符合日期条件的对应记录——不管是找最近的过去日期，还是最近的未来日期，滚动连接都能轻松实现。

先回顾一下我们的两个数据表（已经帮你把日期转成了Date类型，这是滚动连接的前提，因为需要有序的数值/日期列）：

library(data.table)
# 定义并初始化数据表
A <- data.table(date = as.Date(c("2003-05-24", "2003-06-05", "2003-06-24", "2003-06-25", "2003-06-27")), 
                id = c(1,2,1,1,2))
B <- data.table(idd = c(1,1,1,1,1), 
                datee = as.Date(c("2003-05-25", "2003-06-06", "2003-06-25", "2003-06-26", "2003-06-28")), 
                value = c(1,2,3,4,5))

表A的内容：

date id

1: 2003-05-24 1
2: 2003-06-05 2
3: 2003-06-24 1
4: 2003-06-25 1
5: 2003-06-27 2

表B的内容：

idd datee value
1: 1 2003-05-25 1
2: 1 2003-06-06 2
3: 1 2003-06-25 3
4: 1 2003-06-26 4
5: 1 2003-06-28 5

下面分两种常见场景给出实现方法：

场景1：匹配最近的不晚于A中日期的B记录（过去方向） #

我们想为表A的每一行，找到同id且日期小于等于A日期的最大B日期对应的value。可以用roll = TRUE（或roll = Inf）来实现：

方法1：统一列名后设置键连接 #

# 先把B的列名改成和A匹配的，方便设置键
setnames(B, c("idd", "datee"), c("id", "date"))
# 设置键：先按id分组，再按日期排序（滚动连接依赖有序键）
setkey(A, id, date)
setkey(B, id, date)

# 执行滚动连接
result_past <- B[A, roll = TRUE]
print(result_past)

结果：

date id value

1: 2003-05-24 1 NA # B中id=1的最早日期是2003-05-25，比A的日期晚，无匹配
2: 2003-06-05 2 NA # B中没有id=2的记录，无匹配
3: 2003-06-24 1 2 # B中id=1且<=2003-06-24的最大日期是2003-06-06，对应value=2
4: 2003-06-25 1 3 # 日期完全匹配，直接取value=3
5: 2003-06-27 2 NA # B中无id=2的记录，无匹配

方法2：不修改原表，用on参数指定连接条件 #

如果不想改动原表的列名，data.table 1.9.6及以上版本支持用on参数直接指定列映射，更灵活：

# 恢复B的原列名（如果之前改了的话）
setnames(B, c("id", "date"), c("idd", "datee"))
# 设置键（也可以不设置键，直接用on参数，但设置键会更高效）
setkey(A, id, date)
setkey(B, idd, datee)

# 执行滚动连接，指定列映射和滚动方向
result_past2 <- B[A, on = .(idd = id, datee <= date), roll = TRUE]

这个方法得到的结果和上面完全一致。

场景2：匹配最近的不早于A中日期的B记录（未来方向） #

如果我们想找同id且日期大于等于A日期的最小B日期对应的value，就用roll = -Inf：

# 用on参数的方式实现（不修改原表）
result_future <- B[A, on = .(idd = id, datee >= date), roll = -Inf]
print(result_future)

结果：

date id value

1: 2003-05-24 1 1 # B中id=1且>=2003-05-24的最小日期是2003-05-25，对应value=1
2: 2003-06-05 2 NA # B中无id=2的记录，无匹配
3: 2003-06-24 1 3 # B中id=1且>=2003-06-24的最小日期是2003-06-25，对应value=3
4: 2003-06-25 1 3 # 日期完全匹配，直接取value=3
5: 2003-06-27 2 NA # B中无id=2的记录，无匹配

关键参数解释 #

• on：用来指定两个表之间的列映射关系，比如.(idd = id, datee >= date)表示用B的idd匹配A的id，同时要求B的datee大于等于A的date。
• roll：控制滚动连接的方向：
  • TRUE/Inf：向前滚动，匹配最近的小于等于目标值的记录；
  • -Inf：向后滚动，匹配最近的大于等于目标值的记录；
  • 如果设置为具体数字（比如roll=7），则只允许滚动该数值范围内的记录（比如7天以内）。

内容的提问来源于stack exchange，提问作者user9621577