我正在尝试合并两个不同大小的数据帧，但是由于数据的面板结构，我遇到了困难。
考虑下面的例子，其中'toy. 'Left '是一个包含三个变量的面板:坐标(' cord ')和在特定月份('month')分配给该坐标的名称('name')。接下来，考虑"玩具"。Right，'，它由四个变量组成:名称('name')，该名称对该坐标的赋值任期的开始时间('tenure.start')，以及对该坐标的赋值任期的结束时间('tenure.end')。
toy.left <- tribble(~month, ~coord, ~name,
"2000-01-01", 1301, "Alpha",
"2000-03-01", 1301, "Beta",
"2000-06-01", 1302, "Charlie",
"2000-09-01", 1303, "Delta",
"2000-12-01", 1303, "Epsilon")
toy.right <- tribble(~name, ~coord, ~tenure.start, ~tenure.end,
"Alpha", 1301, "2000-02-01", "2000-04-01",
"Beta", 1301, "1999-11-01", "2000-04-01",
"Charlie", 1302, "2000-04-01", "2000-07-01",
"Delta", 1303, "2000-08-01", "2000-10-01",
"Epsilon", 1303, "2000-11-01", "2001-01-01",
"Delta", 1303, "2002-01-01", "2004-01-01")
我想合并这两个数据集，但是有一些规则使得在dplyr中使用merge()变得困难。例如，我不能简单地使用inner_join()并按'name'和'coord'进行合并，因为这违反了数据的面板结构。如果我这样做，个人的任期不会与观察的月份重叠(首先，参见第1行& &;2、应倒置;第二，参见第4行& &;5，其中merge()重复月份观察值，但应该只包括第4行)。
toy.left %>%
inner_join(toy.right, by = c("name", "coord"))
*Output*
month coord name tenure.start tenure.end
2000-01-01 1301 Alpha 2000-02-01 2000-04-01
2000-03-01 1301 Beta 1999-11-01 2000-04-01
2000-06-01 1302 Charlie 2000-04-01 2000-07-01
2000-09-01 1303 Delta 2000-08-01 2000-10-01
2000-09-01 1303 Delta 2002-01-01 2004-01-01
2000-12-01 1303 Epsilon 2000-11-01 2001-01-01
为了解决这个问题，我可以按'name '，' coord '，'和合并数据'month'，但我需要根据日期是否落在'tenure '之间来对'month'进行合并。' Start '和'tenure.end.'经过搜索，我找不到一种方法来应用自定义规则来合并()在dplyr。
我知道自定义函数或循环可能是解决这个问题的最佳方法，但我不确定从哪里开始。此外，原始数据集有超过150万个观测值，这可能会产生进一步的问题。
我欢迎你的建议!
(所有这些都是在将month和tenure.*转换为Date之后)
fuzzyjoin
fuzzyjoin::fuzzy_inner_join(
toy.left, toy.right,
by=c("name", "coord", month="tenure.start", month="tenure.end"),
match_fun=list(`==`, `==`, `>=`, `<=`))
# # A tibble: 4 x 7
# month coord.x name.x name.y coord.y tenure.start tenure.end
# <date> <dbl> <chr> <chr> <dbl> <date> <date>
# 1 2000-03-01 1301 Beta Beta 1301 1999-11-01 2000-04-01
# 2 2000-06-01 1302 Charlie Charlie 1302 2000-04-01 2000-07-01
# 3 2000-09-01 1303 Delta Delta 1303 2000-08-01 2000-10-01
# 4 2000-12-01 1303 Epsilon Epsilon 1303 2000-11-01 2001-01-01
sqldf
sqldf::sqldf(
"select tl.name, tl.coord, tl.month, tr.[tenure.start], tr.[tenure.end]
from [toy.left] tl
inner join [toy.right] tr on tl.name=tr.name and tl.coord=tr.coord
and tl.month between tr.[tenure.start] and tr.[tenure.end]")
# name coord month tenure.start tenure.end
# 1 Beta 1301 2000-03-01 1999-11-01 2000-04-01
# 2 Charlie 1302 2000-06-01 2000-04-01 2000-07-01
# 3 Delta 1303 2000-09-01 2000-08-01 2000-10-01
# 4 Epsilon 1303 2000-12-01 2000-11-01 2001-01-01
(我使用带括号符号的[tenure.start]来区分表标识符tl和列名tenure.start，在SQL中，列名中的点通常表示类似schema.tablename.columnname的命名法。)
data.table
这是左连接，而不是其他类型。为了确定由于使用left而不是inner而应该删除哪些内容，我将在toy.left中添加一列:
library(data.table)
setDT(toy.left)
setDT(toy.right)
toy.left[, val := 2]
toy.left[toy.right, on = .(name, coord, month >= tenure.start, month <= tenure.end)][ !is.na(val),]
# month coord name val month.1
# <Date> <num> <char> <num> <Date>
# 1: 1999-11-01 1301 Beta 2 2000-04-01
# 2: 2000-04-01 1302 Charlie 2 2000-07-01
# 3: 2000-08-01 1303 Delta 2 2000-10-01
# 4: 2000-11-01 1303 Epsilon 2 2001-01-01
data.table有它的重命名列的方式，所以要注意它。当我不确定如何命名时，我经常复制周围的列，以便始终清晰……但我这样做的部分原因是我懒得去学习它是如何确定结果名称的。