基于多条件及区间包含条件的DataFrame内连接技术问询

刚好处理过类似的需求，我给你两种可直接复用的方法，结合你给出的示例DataFrame来演示：

第一步：构造完整的示例数据 #

首先我们把两个示例DataFrame补全，方便你直接测试：

library(dplyr)
library(lubridate)
library(hms)

# 第一个DataFrame：包含匹配键key1/key2，以及时间区间t1
df1 <- data.frame(
  key1 = c("a", "b", "c", "d", "e"),
  key2 = 1:5,
  time1 = as.POSIXct(hms::as.hms(c("00:00:15", "00:15:15", "00:30:15", "00:40:15", "01:10:15"))),
  time2 = as.POSIXct(hms::as.hms(c("00:05:15", "00:20:15", "00:35:15", "00:45:15", "01:15:15")))
) %>%
  mutate(t1 = interval(time1, time2)) %>%
  select(key1, key2, t1)

# 第二个DataFrame：包含匹配键、待检查的时间点time_point，以及业务数据value
df2 <- data.frame(
  key1 = c("a", "a", "b", "c", "e", "e"),
  key2 = c(1, 1, 2, 3, 5, 5),
  time_point = as.POSIXct(hms::as.hms(c("00:02:15", "00:06:15", "00:17:15", "00:32:15", "01:12:15", "01:16:15"))),
  value = c(10, 20, 30, 40, 50, 60)
)

方法1：先键匹配再过滤区间（简单直观） #

这种方法适合数据量不大的场景，先用inner_join按key1和key2精确匹配，再用lubridate的%within%函数筛选出时间点落在区间内的行：

# 内连接+区间过滤
joined_df <- df1 %>%
  inner_join(df2, by = c("key1", "key2")) %>%
  filter(time_point %within% t1)

# 查看结果
print(joined_df)

输出结果会自动过滤掉不满足区间条件的行（比如df2中key1=a的第二个时间点00:06:15不在df1的00:00:15-00:05:15区间内，会被排除）：

key1 key2                        t1          time_point value
1    a    1 2024-05-20 00:00:15 UTC--2024-05-20 00:05:15 UTC 2024-05-20 00:02:15 UTC    10
2    b    2 2024-05-20 00:15:15 UTC--2024-05-20 00:20:15 UTC 2024-05-20 00:17:15 UTC    30
3    c    3 2024-05-20 00:30:15 UTC--2024-05-20 00:35:15 UTC 2024-05-20 00:32:15 UTC    40
4    e    5 2024-05-20 01:10:15 UTC--2024-05-20 01:15:15 UTC 2024-05-20 01:12:15 UTC    50

方法2：用fuzzyjoin直接按多条件连接（高效适合大数据） #

如果你的数据集很大，先全量连接再过滤会浪费性能，推荐用fuzzyjoin包直接在连接阶段同时匹配键和区间条件：

# 先安装并加载fuzzyjoin包
# install.packages("fuzzyjoin")
library(fuzzyjoin)

# 模糊内连接：同时指定键匹配和区间匹配规则
joined_df_fuzzy <- fuzzy_inner_join(
  df1,
  df2,
  by = c("key1", "key2", "t1" = "time_point"),
  match_fun = list(
    `==`,  # key1精确相等
    `==`,  # key2精确相等
    `%within%`  # time_point必须落在t1区间内
  )
) %>%
  select(key1, key2, t1, time_point, value)  # 整理列顺序，让结果更清晰

print(joined_df_fuzzy)

这个方法的输出和方法1完全一致，但性能会好很多，尤其是当两个DataFrame都有几十万甚至上百万行的时候。

额外注意事项 #

• 确保所有时间列都是POSIXct类型，lubridate的区间相关函数只对标准时间类型生效
• 如果需要匹配的是区间和区间的重叠（而不是时间点在区间内），可以把%within%换成int_overlaps()函数
• 如果你的时间区间是左闭右开或者其他规则，可以用int_start()和int_end()手动判断，比如time_point >= int_start(t1) & time_point < int_end(t1)

内容的提问来源于stack exchange，提问作者adl