R 如果其他列匹配100%，则查找一列中最接近的值匹配
我有两个长度不等的数据帧。我想将值2从df2添加到df1，其中值1a和值1b之间的差异最小。并非df1中的所有行都将收到来自df2的匹配，因为df2较短。st、year和doy必须在df1和df2之间匹配，然后才能找到最接近的匹配值1a和1b，因为数据集包括在同一测站的几年内的多个采样R 如果其他列匹配100%，则查找一列中最接近的值匹配,r,data.table,matching,closest,R,Data.table,Matching,Closest,我有两个长度不等的数据帧。我想将值2从df2添加到df1，其中值1a和值1b之间的差异最小。并非df1中的所有行都将收到来自df2的匹配，因为df2较短。st、year和doy必须在df1和df2之间匹配，然后才能找到最接近的匹配值1a和1b，因为数据集包括在同一测站的几年内的多个采样 st <- c("ST1", "ST2", "ST2", "ST2", "ST3") year <-
st <- c("ST1", "ST2", "ST2", "ST2", "ST3")
year <- c(2011, 2011, 2012, 2012, 2013)
doy <- c(20,29,4,4,20)
value1a <- c(200, 250, 240, 250, 260)
value1b <- c(201, 258, 240, 251, 180)
value2 <- c(5,6,7,8.5,10)
df1 <- data.frame(st, year, doy, value1a)
df2 <- data.frame(st, year, doy, value1b, value2); df2 <- df2[1:4,]
对于海洋学家在场的实际例子：我正在处理水柱数据。在一年中的同一天，在同一测站，根据水下深度的值1a，在第一次采样期间获得了某些数据。然后在一年的同一天重复此操作，只是稍微晚一点，因此年份和doy匹配，但自动记录的值1b略有不同。我想将仅在第二次采样时获得的值2与第一次采样时获得的数据进行匹配。以下是一个基本的R解决方案：
df3 <- merge(df1, df2, by.x = c("st", "year", "doy"), by.y = c("st", "year", "doy2"), all = TRUE)
st year doy value1a value1b value2
1 ST1 2011 20 200 NA NA
2 ST1 2011 21 NA 201 5.0
3 ST2 2011 29 250 258 6.0
4 ST2 2012 4 240 240 7.0
5 ST2 2013 20 260 180 8.5
下面是一个基本的R解决方案：
df3 <- merge(df1, df2, by.x = c("st", "year", "doy"), by.y = c("st", "year", "doy2"), all = TRUE)
st year doy value1a value1b value2
1 ST1 2011 20 200 NA NA
2 ST1 2011 21 NA 201 5.0
3 ST2 2011 29 250 258 6.0
4 ST2 2012 4 240 240 7.0
5 ST2 2013 20 260 180 8.5
这里是dplyr包的一个很长的替代方案
这里是dplyr包的一个很长的替代方案
试图消除value1a和value1b之间的差异是一个极小的语句，这是一个两步操作：合并/加入，然后根据差异减少 因为当前的示例数据没有测试这个需求，所以我将使用稍微不同的值复制其中一行，以显示正在选择最小值 df2% mutatern=行数%>% 左联合，df2，by=cst，年份，doy=doy2%>% 排列AbsValue1a-value1b%>% 组\u byrn%>% 切片1%>% 解组 一个tibble:4x7 第一年doy价值1a注册护士价值1b价值2 1 ST1 2011 20 200 1不适用 2 ST2 2011 29 250 2 258 6 3 ST2 2012 4 240 3 240 7 4 ST2 2013 2026041808.5 数据表 一些注意事项： 我使用magrittr的pipe%>%纯粹是为了演示，因为我认为它在视觉上表现得非常出色；这不是必需的 在data.table合并内容的方式中，doy字段保留了正确表df2的名称，因此我使用data.table:：setnames对其进行了重命名 data.table中的一个小功能/错误阻止了在最后一个[-操作是带有：=”的赋值时第一次打印结果；这是，并且只是美观，如果有另一个操作，这不是一个因素；因此，我添加了一个看似空的%>%.[]将其打印到控制台 图书馆数据表 图书馆杂志 setDTdf1 setDTdf2 df1[，rn:=.I]]>% df2[，on=.st，年份，doy2=doy]>% [orderabsvalue1a-value1b，]%>% [，.SD[1，]，by=.rn]]>% [，rn:=NULL]]>% 集合名称，旧=doy2，新=doy%>% .[] 第一年doy值1b值2值1a 1:ST2 2012 4 240 7.0 240 2:ST2 2011 29 258 6.0 250 3:ST2 2013 20 180 8.5 260 4:ST1 2011 20 NA 200 有很多方法可以告诉data.table在找到多个匹配项时要做什么。我没有测试顺序是否可以确定，但如果有一种方法可以确定这一点，那么这可能可以简化一点 类SQL 使用df1和df2的原始not-data.table版本 出于类似的原因，这将创建两个行号计数器，类似于data.table解决方案中的rn sqldf:：sqldf 以t1为例 选择df1.*，行号为rn1 来自df1 , t12 as 选择t1.*，t2.value2， t1.rn1作为rn2分区上的行数 从t1开始 左连接t1上的df2 t2。st=t2.st和t1。year=t2.year和t1.doy=t2.doy2 absvalue1a-value1b下的订单 从t12中选择st、year、doy、value1a、value2，其中rn2=1 第一年doy值1a值2 1 ST1 2011 20 200 NA 2 ST2 2012 4 240 7.0 3 ST2 2011 29 250 6.0 4 ST2 2013 20 260 8.5
试图消除value1a和value1b之间的差异是一个极小的语句，这是一个两步操作：合并/加入，然后根据差异减少 因为当前的示例数据没有测试这个需求，所以我将使用稍微不同的值复制其中一行，以显示正在选择最小值 df2% mutatern=行数%>% 左联合，df2，by=cst，年份，doy=doy2%>% 排列AbsValue1a-value1b%>% 组\u byrn%>% 切片1%>% 解组 一个tibble:4x7 第一年doy价值1a注册护士价值1b价值2 1 ST1 2011 20 200 1不适用 2011年2月2日 29 250 2 258 6 3 ST2 2012 4 240 3 240 7 4 ST2 2013 2026041808.5 数据表 一些注意事项： 我使用magrittr的pipe%>%纯粹是为了演示，因为我认为它在视觉上表现得非常出色；这不是必需的 在data.table合并内容的方式中，doy字段保留了正确表df2的名称，因此我使用data.table:：setnames对其进行了重命名 data.table中的一个小功能/错误阻止了在最后一个[-操作是带有：=”的赋值时第一次打印结果；这是，并且只是美观，如果有另一个操作，这不是一个因素；因此，我添加了一个看似空的%>%.[]将其打印到控制台 图书馆数据表 图书馆杂志 setDTdf1 setDTdf2 df1[，rn:=.I]]>% df2[，on=.st，年份，doy2=doy]>% [orderabsvalue1a-value1b，]%>% [，.SD[1，]，by=.rn]]>% [，rn:=NULL]]>% 集合名称，旧=doy2，新=doy%>% .[] 第一年doy值1b值2值1a 1:ST2 2012 4 240 7.0 240 2:ST2 2011 29 258 6.0 250 3:ST2 2013 20 180 8.5 260 4:ST1 2011 20 NA 200 有很多方法可以告诉data.table在找到多个匹配项时要做什么。我没有测试顺序是否可以确定，但如果有一种方法可以确定这一点，那么这可能可以简化一点 类SQL 使用df1和df2的原始not-data.table版本 出于类似的原因，这将创建两个行号计数器，类似于data.table解决方案中的rn sqldf:：sqldf 以t1为例 选择df1.*，行号为rn1 来自df1 , t12 as 选择t1.*，t2.value2， t1.rn1作为rn2分区上的行数 从t1开始 左连接t1上的df2 t2。st=t2.st和t1。year=t2.year和t1.doy=t2.doy2 absvalue1a-value1b下的订单 从t12中选择st、year、doy、value1a、value2，其中rn2=1 第一年doy值1a值2 1 ST1 2011 20 200 NA 2 ST2 2012 4 240 7.0 3 ST2 2011 29 250 6.0 4 ST2 2013 20 260 8.5
因此，我使用dplyr和left_join参数，而left_join参数本身并不能得到正确的答案。然后，我使用group_by对行进行分组。分组后，通过比较value1a和value1b的不同值的绝对值，可以过滤出彼此不接近的值。您必须包含一个addi筛选器中的逻辑语句，以便在计算其他NA语句时不会自动删除带有NAs的行。因此，它看起来如下所示：
st year doy value1a value1b value2
1 ST1 2011 20 200 201 5.0
2 ST2 2011 29 250 258 6.0
3 ST2 2012 4 240 240 7.0
4 ST2 2012 4 250 251 8.5
5 ST3 2013 20 260 NA NA
library(dplyr)
df3 <- left_join(df1, df2, by = c("st", "year", "doy"))
df3 %>% group_by(st, year, doy, value1a) %>%
filter(is.na(value1b) | abs(value1a - value1b) ==
min(abs(value1a - value1b)))
st year doy value1a value1b value2
<fct> <dbl> <dbl> <dbl> <dbl> <dbl>
1 ST1 2011 20 200 201 5
2 ST2 2011 29 250 258 6
3 ST2 2012 4 240 240 7
4 ST2 2012 4 250 251 8.5
5 ST3 2013 20 260 NA NA
因此，我使用dplyr和left_join参数，而left_join参数本身并不能得到正确的答案。然后，我使用group_by对行进行分组。分组后，通过比较value1a和value1b的不同值的绝对值，可以过滤出彼此不接近的值。您必须包含一个addi筛选器中的逻辑语句，以便在计算其他NA语句时不会自动删除带有NAs的行。因此，它看起来如下所示：
st year doy value1a value1b value2
1 ST1 2011 20 200 201 5.0
2 ST2 2011 29 250 258 6.0
3 ST2 2012 4 240 240 7.0
4 ST2 2012 4 250 251 8.5
5 ST3 2013 20 260 NA NA
library(dplyr)
df3 <- left_join(df1, df2, by = c("st", "year", "doy"))
df3 %>% group_by(st, year, doy, value1a) %>%
filter(is.na(value1b) | abs(value1a - value1b) ==
min(abs(value1a - value1b)))
st year doy value1a value1b value2
<fct> <dbl> <dbl> <dbl> <dbl> <dbl>
1 ST1 2011 20 200 201 5
2 ST2 2011 29 250 258 6
3 ST2 2012 4 240 240 7
4 ST2 2012 4 250 251 8.5
5 ST3 2013 20 260 NA NA
以下是在data.table中使用滚动联接的选项： 输出：
value1a st year doy value1b value2
1: 200 ST1 2011 20 200 5.0
2: 250 ST2 2011 29 250 6.0
3: 240 ST2 2012 4 240 7.0
4: 250 ST2 2012 4 250 8.5
5: 260 ST3 2013 20 260 NA
以下是在data.table中使用滚动联接的选项： 输出：
value1a st year doy value1b value2
1: 200 ST1 2011 20 200 5.0
2: 250 ST2 2011 29 250 6.0
3: 240 ST2 2012 4 240 7.0
4: 250 ST2 2012 4 250 8.5
5: 260 ST3 2013 20 260 NA
因为你说差异…是最小的，我猜合并/连接中应该有逻辑来比较这两个变量。因此，我建议你提供一个df2，其中包括一组或多组密钥上的多个匹配，需要后续最小化。你是对的，示例数据没有显示真正的问题。我将尝试提供更合适的数据。因为您说过差异…最小，所以我猜合并/连接中应该有逻辑来比较这两个变量。因此，我建议您提供一个df2，其中包括一组或多组密钥上的多个匹配项，要求后续最小化。您是对的，示例如下数据没有显示真正的问题。我将尝试提供更合适的数据。1如果您打算指示某些内容，请不要使用NA的文字字符串……首先，您将所有数据从数字更改为字符串；其次，如果您的意思是找不到匹配项，请使用NA，而不是NA。2此方法仅在所有行都已完全对齐时才有效，这是一个坏主意。3请求的操作是合并/联接，答案并非如此。1如果要指示某些内容，请不要使用NA的文字字符串…首先，您将所有数据从数字更改为字符串；其次，如果您的意思是未找到匹配项，请使用NA，而不是NA。2此方法仅在所有行都已完全对齐时才有效，这是一个坏主意。3请求的操作是一个合并/联接，答案不是这样。非常感谢！一旦我了解了它的作用，并且在我的原始数据中，value1a和value1b实际上具有相同的列名，在联接后重命名为value.x和value.y，它就像一个符咒一样工作！非常感谢！一旦我了解了 在我的原始数据中，value1a和value1b实际上具有相同的列名，在连接后重命名为value.x和value.y，它工作得非常出色！