Блог

Я пытаюсь объединить две очень большие таблицы на основе условного оператора. Я хочу объединить df2 с df1 в каждой группе (x), но включать только строки из df2, которые попадают в минимальные и максимальные значения в df2.

 df1 <- data.frame(x = c(1,1,1,1,2,2,2,2,2,3), y = seq(1,10))
df2 <- data.frame(x2 = c(1,1,2,2,2), y_min = c(1, 1, 6, 6, 6), y_max = c(3,3,9,9,9), cat = c("A",'A','S','S','S'))
  

Результат, который я ищу, это

 df3 <- data.frame(x = c(1,1,1,1,2,2,2,2,2,3), y = seq(1,10), y_min = c(1,1,1,NA,NA,6,6,6,6,NA), y_max = c(3,3,3,NA,NA,9,9,9,9,NA), cat = c('A','A','A',NA,NA,'S','S','S','S',NA))

   x  y y_min y_max  cat
1  1  1     1     3    A
2  1  2     1     3    A
3  1  3     1     3    A
4  1  4    NA    NA <NA>
5  2  5    NA    NA <NA>
6  2  6     6     9    S
7  2  7     6     9    S
8  2  8     6     9    S
9  2  9     6     9    S
10 3 10    NA    NA <NA>
  

Первоначально это было написано в сценарии SAS PROC SQL, но у меня возникли проблемы с преобразованием его в R. Инструкция PROC SQL выглядела примерно так…

 PROC SQL;
SELECT a.*, b.*
FROM tbl1 a
LEFT JOIN tbl2 b
   on (a.col1 - b.col1) >= 0 and (a.col1 - b.col2) <= 0
     and a.id = b.id
  

Я пробовал использовать base:: amp; data.table::merge, но мне не повезло. Буду признателен за любую помощь.

Вы можете использовать пакет sqldf для использования SQL кода на R объектах. В качестве дополнительного примечания ваши имена SAS отличались от имен, которые вы использовали в R, для дальнейшего использования убедитесь, что они совпадают, чтобы люди могли воспроизвести.

 library(sqldf)
df1 <- data.frame(x = c(1,1,1,1,2,2,2,2,2,3), y = seq(1,10))
df2 <- data.frame(x2 = c(1,1,2,2,2), y_min = c(1, 1, 6, 6, 6), y_max = c(3,3,9,9,9), cat = c("A",'A','S','S','S'))

sqldf('SELECT a.*, b.*
FROM df1 a
LEFT JOIN df2 b
   on (a.y - b.y_min) >= 0 and (a.y- b.y_max) <= 0
     and a.x = b.x2')
  

Используя data.table :

 library(data.table)

setDT(df1)
setDT(df2)

unique(df2)[df1,
            .(x = i.x, y = i.y, y_min = x.y_min, y_max = x.y_max, cat = x.cat),
            on = c("x2 == x", "y_min <= y", "y_max >= y")]

    x  y y_min y_max  cat
 1: 1  1     1     3    A
 2: 1  2     1     3    A
 3: 1  3     1     3    A
 4: 1  4    NA    NA <NA>
 5: 2  5    NA    NA <NA>
 6: 2  6     6     9    S
 7: 2  7     6     9    S
 8: 2  8     6     9    S
 9: 2  9     6     9    S
10: 3 10    NA    NA <NA>
  

Просто примечание — в нем были повторяющиеся строки df2 , в результате чего простое левое соединение давало больше строк, чем вы указали df3 , отсюда и вызов unique() .