inner_join()，其中一个键的值范围（年份）
Posted
技术标签:
【中文标题】inner_join()，其中一个键的值范围（年份）【英文标题】：inner_join() with range of values for one of the keys (year) 【发布时间】：2019-10-29 14:57:47 【问题描述】：我有两个格式如下的数据集：
df1
#> Artist Album Year
#> 1 Beatles Sgt. Pepper's 1967
#> 2 Rolling Stones Sticky Fingers 1971
和
df2
#> Album Year Producer
#> 1 Sgt. Pepper's 1966 George Martin
#> 2 Sticky Fingers 1971 Jimmy Miller
我想按专辑和年份创建inner_join，但有时“年份”字段会偏离一年：例如，Sgt. Peppers 在 df1 中被列为 1967 年，在 df2 中被列为 1966 年。
所以如果我跑：
df3 <- inner_join(df1, df2, by = c("Album", "Year"))
我明白了：
df3
#> Artist Album Year Producer
#> 1 Rolling Stones Sticky Fingers 1971 Jimmy Miller
然而，我希望两张专辑都加入，只要像 (df1$Year == df2$Year + 1)|(df1$Year == df2$Year - 1) 这样的东西。
我不能只是简单地通过“专辑”连接，因为在我的真实数据集中有一些同名的“专辑”以“年份”来区分。
以下数据集的代码：
df1 <- data.frame(stringsAsFactors=FALSE,
Artist = c("Beatles", "Rolling Stones"),
Album = c("Sgt. Pepper's", "Sticky Fingers"),
Year = c(1967, 1971)
)
df1
df2 <- data.frame(stringsAsFactors=FALSE,
Album = c("Sgt. Pepper's", "Sticky Fingers"),
Year = c(1966, 1971),
Producer = c("George Martin", "Jimmy Miller")
)
df2
【问题讨论】：
【参考方案1】：为了完整起见，这也可以使用data.table的非等连接来解决：
library(data.table)
setDT(df1)[, c(.SD, .(ym1 = Year - 1, yp1 = Year + 1))][
setDT(df2), on = .(Album, ym1 <= Year, yp1 >= Year), nomatch = 0L]
Artist Album Year ym1 yp1 Producer 1: Beatles Sgt. Pepper's 1967 1966 1966 George Martin 2: Rolling Stones Sticky Fingers 1971 1971 1971 Jimmy Miller
或
setDT(df1)[, c("ym1", "yp1") := .(Year - 1, Year + 1)][setDT(df2),
on = .(Album, ym1 <= Year, yp1 >= Year), nomatch = 0L]
Artist Album Year ym1 yp1 Producer 1: Beatles Sgt. Pepper's 1967 1966 1966 George Martin 2: Rolling Stones Sticky Fingers 1971 1971 1971 Jimmy Miller
修改df1。
顺便说一句：https://github.com/Rdatatable/data.table/issues/1639 有一个功能请求以允许 on 中的动态列。如果实现了，上面的表达式会变成
setDT(df1)[setDT(df2), on = .(Album, Year - 1 <= Year, Year + 1 >= Year), nomatch = 0L]
【讨论】：
【参考方案2】：如果以后有人读到这个问题，上面的答案很好。另一个答案是：
-
加入所有匹配的相册
只过滤掉年份接近的记录：
https://***.com/a/55863846/8742237
inner_join(df1, df2, by = c("Album")) %>%
filter(abs(Year.x - Year.y)<2)
> Artist Album Year.x Year.y Producer
> 1 Beatles Sgt. Pepper's 1967 1966 George Martin
> 2 Rolling Stones Sticky Fingers 1971 1971 Jimmy Miller
【讨论】：
【参考方案3】：也许rolling join 会解决这个问题。它适用于您的数据样本，但您的实际数据中可能存在棘手的边缘情况。
在下面的代码中，roll="nearest" 将匹配每个专辑的最接近年份值（“滚动”部分仅适用于最后一个连接列，在本例中为 Year）。
library(data.table)
setDT(df1)
setDT(df2)
setkey(df1, Album, Year)
setkey(df2, Album, Year)
joined = df1[df2, roll="nearest"]
joined
Artist Album Year Producer 1: Beatles Sgt. Pepper's 1966 George Martin 2: Rolling Stones Sticky Fingers 1971 Jimmy Miller
【讨论】：
【参考方案4】：我们可以在这里尝试使用sqldf 包，因为您的要求可以使用 SQL 连接轻松表达：
library(sqldf)
sql <- "SELECT t1.Artist, t1.Album, t1.Year, t2.Album, t2.Year, t2.Producer
FROM df1 t1
INNER JOIN df2 t2
ON ABS(t1.Year - t2.Year) <= 1"
df3 <- sqldf(sql)
如果要从两个表中选择所有字段，请使用：
SELECT t1.*, t2.* FROM ...
但请注意，一般来说SELECT * 是不受欢迎的，最好总是列出要选择的列。
【讨论】：
如果我想SELECT t1 和 t2 中的所有字段，第一行代码是否有一个简单的通配符？谢谢。【参考方案5】：
将Year + 1 添加到df2 然后加入？如果你想覆盖两个方向的范围，你也可以添加Year - 1。
library(dplyr)
inner_join(df1, df2 %>% bind_rows(df2 %>% mutate(Year = Year + 1)),
by = c("Album", "Year"))
# Artist Album Year Producer
#1 Beatles Sgt. Pepper's 1967 George Martin
#2 Rolling Stones Sticky Fingers 1971 Jimmy Miller
【讨论】：
我可以检查一下我对您的解决方案的理解吗？我是否认为您使用bind_rows 基本上复制并添加了 df2 的副本，并且所有年份都增加了，所以 df2 的大小是原来的两倍，并且更有可能加入？
是的，完全正确。它只是 df2 的副本，年份值增加了 1。
有没有办法可以在同一代码中覆盖另一个方向？我试过inner_join(df1, df2 %>% bind_rows(df2 %>% mutate(Year = Year + 1) %>% bind_rows(df2 %>% mutate(Year = Year - 1)), by = c("Album", "Year")))，但我一定做错了什么。谢谢
@RANdStata 是的，做inner_join(df1, bind_rows(df2, df2 %>% mutate(Year = Year + 1), df2 %>% mutate(Year = Year - 1)), by = c("Album", "Year"))以上是关于inner_join()，其中一个键的值范围（年份）的主要内容，如果未能解决你的问题，请参考以下文章