根据 id 和 date-R 合并数据集

Posted 2023-02-24

【中文标题】根据 id 和 date-R 合并数据集

【英文标题】：Merge data sets based on id and date-R

【发布时间】：2018-04-08 06:41:45

【问题描述】：

我正在尝试根据 ID 和日期将第二个数据集中的信息添加到我的第一个数据集中。如果 ID 匹配并且“日期”介于“开始”和“结束”之间，我想将颜色的值添加到 df1。

    df1
    ID Date 
    1  3/31/2017
    2  2/11/2016
    2  4/10/2016 
    3  5/15/2015

   df2
   ID  start      end        colour
    1   1/1/2000 3/31/2011    blue
    1   4/1/2011  6/4/2012    purple
    1   6/5/2012  3/31/2017   blue
    2   5/1/2014  3/31/2017   red
    3   1/12/2012  2/12/2014  purple

要得到这样的结果：

    dat
    ID Date        colour
    1  3/31/2017   blue
    2  2/11/2016   red
    2  4/10/2016   red
    3  5/15/2015   NA 

可以用这里的代码创建：

library(lubridate)
df1 <- tibble(ID = c(1,2,2,3), Date = mdy(c("3/31/2017","2/11/2016","4/10/2016","5/15/2015")))
df2 <- tibble(ID = c(1,1,1,2,3), start = mdy(c("1/1/2000","4/1/2011","6/5/2012","5/1/2014","1/12/2012")), end = mdy(c("3/31/2011","6/4/2012","3/31/2017","3/31/2017","2/12/2014")), colour = c("blue", "purple", "blue", "red", "purple"))

我使用了一个类似问题的回答， Checking if Date is Between two Dates in R 并使用以下代码：

    library(dplyr)
    dat <- inner_join(df1, df2, by = "ID")
    dat %>% rowwise() %>%
    mutate(match = ifelse(between(df1$Date, df2$start, df2$end), 1 , 0))%>%
    select(-c(df2$start, df2$end))%>%
    arrange(df1$Date, desc(match))%>%
    distinct(df1$Date)

我收到以下错误：

(df1$Date, df2$start, df2$end) 之间的错误： 期望单个值：[extent=355368]。

帮助？

非常感谢！

更新-

非常感谢大家的回答。

我尝试了所有方法，但所有最终数据集的行数都与第一个数据集不同。我不确定发生了什么。我发布的数据是虚构的，类似于我正在使用的数据。我应该让您知道的其他详细信息吗？我不知道从哪里开始...

【问题讨论】：

您能否将生成示例数据框所需的代码转储到您的帖子中，以便我们也可以复制和修补该问题？见：meta.stackexchange.com/a/191794/346447 或 ***.com/q/5963269/5088194

【参考方案1】：

看来你的数据框很大，你可以试试data.table non-equi join 以有效的方式做到这一点：

library(lubridate)
library(data.table)

setDT(df1); setDT(df2)
df1[, Date := mdy(Date)]
df2[, c("start", "end") := .(mdy(start), mdy(end))]

df2[df1, .(ID = i.ID, Date = i.Date, colour), on=.(ID, start <= Date, end >= Date)]

#   ID       Date colour
#1:  1 2017-03-31   blue
#2:  2 2016-02-11    red
#3:  2 2016-04-10    red
#4:  3 2015-05-15     NA

【讨论】：

谢谢。我试过了，但什么也没发生，我没有收到任何错误。

可能是data.table 版本问题。你的data.table 是什么版本？尝试升级它。

您使用的是什么版本？我安装了 1.10.4-2 版本。似乎有更高版本（cran.r-project.org/web/packages/data.table/index.html），但我尝试更新时它没有更新。

我的版本和你的一样。什么也没发生，对我来说没有错误似乎很奇怪。或者您可能需要将结果分配给变量dat？ dat <- df2[df1, .(ID = i.ID, Date = i.Date, colour), on=.(ID, start <= Date, end >= Date)]

哦，是的，当然。现在它可以工作了，但我的行数比我的原始数据集多。

【参考方案2】：

我复制了您的示例并给出了一个解决方案。

library(tidyverse)
library(lubridate)

df1 <- data.frame(ID=c(1, 2, 2, 3), 
                  actual.date=mdy('3/31/2017', '2/11/2016','4/10/2016','5/15/2015')) 

df2 <- data.frame(ID = c(1, 1, 1, 2, 3),
              start = mdy('1/1/2000', '4/1/2011', '6/5/2012', '5/1/2014', '1/12/2012'),
              end = mdy('3/31/2011', '6/4/2012', '3/31/2017', '3/31/2017', '2/12/2014'),
              colour = c("blue", "purple", "blue", "red", "purple"))


df <- full_join(df1, df2, by = "ID") %>% 
  mutate(test = ifelse(actual.date <= end & actual.date > start, 
                       TRUE, 
                       FALSE)) %>% 
  filter(test) %>% 
  left_join(df1, ., by = c("ID", "actual.date")) %>% 
  select(ID, actual.date, colour)

（lubridate包不是必须的，但是输入日期很方便）

下次请提供一个可重现的例子，这样我们就不必手动重写数据了！

【参考方案3】：

使用sqldf的另一种选择

library(sqldf)
df1$Date <- as.Date(df1$Date, "%m/%d/%Y")
df2$start <- as.Date(df2$start, "%m/%d/%Y")
df2$end <- as.Date(df2$end, "%m/%d/%Y")
sqldf("
  SELECT df1.*, df2.colour FROM df1 
  INNER JOIN df2
  ON df1.ID = df2.ID AND df1.Date <= df2.end AND df1.Date >= df2.start
")

【参考方案4】：

dplyr 使用non standard evaluation，因此您可以转储所有数据帧名称和$s，您的代码基本上以正确的方向开始。您还需要进行一些隐式转换才能最终得到您指定的数据框，但下面的内容将帮助您实现目标。

dat <- 
    df1 %>% 
    inner_join(df2) %>%
    rowwise %>% 
    mutate(match = ifelse(between(Date, start, end), 1 , NA)) %>%
    arrange(ID, Date, desc(match)) %>%
    ungroup %>% 
    group_by(ID, Date) %>% 
    mutate(best = row_number(ID), 
           colour = if_else(is.na(match), NA_character_, colour)) %>%
    filter(best == 1) %>% 
    select(ID, Date, colour) 

> dat
    # A tibble: 4 x 3
    # Groups:   ID, Date [4]
         ID       Date colour
      <dbl>     <date>  <chr>
    1     1 2017-03-31   blue
    2     2 2016-02-11    red
    3     2 2016-04-10    red
    4     3 2015-05-15   <NA>