R数据框交叉比对：标记同组且位置差<500的条目

刚好之前处理过类似的位置匹配问题（猜你可能是做基因组相关分析？），给你两种实用的R解决方案，分别适配常规场景和大数据量场景：

set.seed(123) # 固定随机种子，保证结果可复现
A <- data.frame(
  group = sample(paste0("group", 1:25), 10, replace = TRUE),
  position = sample(1:10000, 10)
)

B <- data.frame(
  group = sample(paste0("group", 1:25), 15, replace = TRUE),
  position = sample(1:10000, 15)
)

这种方法代码可读性强，适合大多数常规规模的数据集：

library(dplyr)

A_marked <- A %>%
  # 按group做左连接，保留A的所有行，同时关联B中同组的所有条目
  left_join(B, by = "group", suffix = c("_A", "_B")) %>%
  # 计算A和B条目的位置差绝对值
  mutate(pos_diff = abs(position_A - position_B)) %>%
  # 筛选出位置差小于500的记录
  filter(pos_diff < 500) %>%
  # 去重，确保A的每条记录只标记一次
  distinct(group, position_A, .keep_all = TRUE) %>%
  # 标记匹配成功的条目
  mutate(match_flag = TRUE) %>%
  # 右连接回原始A，补全没有匹配的条目，标记为FALSE
  right_join(A, by = c("group", "position" = "position_A")) %>%
  # 把NA值替换为FALSE，完成最终标记
  mutate(match_flag = ifelse(is.na(match_flag), FALSE, match_flag))

# 查看结果
print(A_marked)

如果你的数据集行数很多（比如百万级以上），data.table的底层C实现会比dplyr快很多：

library(data.table)

# 转换为data.table格式
setDT(A)
setDT(B)

# 按group分组匹配，筛选位置差<500的条目
A_marked_dt <- B[A, on = "group", allow.cartesian = TRUE][
  abs(position - i.position) < 500, 
  .(match_flag = TRUE), 
  by = .(group, i.position)
][
  # 关联回原始A数据集，补全未匹配的条目
  A, on = c("group", "i.position" = "position")
][
  # 把未匹配的NA值替换为FALSE
  , match_flag := ifelse(is.na(match_flag), FALSE, match_flag)
]

# 把列名改回原始的position
setnames(A_marked_dt, "i.position", "position")

# 查看结果
print(A_marked_dt)

小提示：两种方法最终都会给A的每条记录添加一个match_flag列，TRUE表示存在同组且位置差<500的B条目，FALSE则表示不存在。

内容的提问来源于stack exchange，提问作者kEks