对于第二个数据帧中的每个元素，找到两个数据帧之间的最小距离

Question

我有两个数据框 ev1 和 ev2，描述了在许多测试中收集的两种类型事件的时间戳。因此，每个数据框都有“test_id”和“timestamp”列。我需要找到的是在同一个测试中，每个 ev2 的 ev1 的最小距离。

我有一个工作代码可以合并两个数据集，计算距离，然后使用 dplyr 过滤最小距离：

ev1 = data.frame(test_id = c(0, 0, 0, 1, 1, 1), time=c(1, 2, 3, 2, 3, 4))
ev2 = data.frame(test_id = c(0, 0, 0, 1, 1, 1), time=c(6, 1, 8, 4, 5, 11))

data <- merge(ev2, ev1, by=c("test_id"), suffixes=c(".ev2", ".ev1"))

data$distance <- data$time.ev2 - data$time.ev1

min_data <- data %>%
  group_by(test_id, time.ev2) %>%
  filter(abs(distance) == min(abs(distance)))

虽然这可行，但合并部分非常慢并且感觉效率低下 - 我正在生成一个巨大的表，其中包含相同 test_id 的所有 ev2->ev1 组合，只是将其过滤为一个。在合并期间，似乎应该有一种“动态过滤”的方法。有没有？

更新：当使用 akrun 概述的 data.table 方法时，以下带有两个“分组依据”列的情况会失败：

ev1 = data.frame(test_id = c(0, 0, 0, 1, 1, 1), time=c(1, 2, 3, 2, 3, 4), group_id=c(0, 0, 0, 1, 1, 1))
ev2 = data.frame(test_id = c(0, 0, 0, 1, 1, 1), time=c(5, 6, 7, 1, 2, 8), group_id=c(0, 0, 0, 1, 1, 1))
setkey(setDT(ev1), test_id, group_id)
DT <- ev1[ev2, allow.cartesian=TRUE][,distance:=abs(time-i.time)]

eval 中的错误（expr、envir、enclos）：找不到对象“i.time”

Answer 1

这是我使用data.table 的方法：

require(data.table)
setkey(setDT(ev1), test_id)
ev1[ev2, .(ev2.time = i.time, ev1.time = time[which.min(abs(i.time - time))]), by = .EACHI]
#    test_id ev2.time ev1.time
# 1:       0        6        3
# 2:       0        1        1
# 3:       0        8        3
# 4:       1        4        4
# 5:       1        5        4
# 6:       1       11        4

在data.table 中的x[i] 形式的连接中，前缀i. 用于引用i 中的列，此时x 和i 共享特定列的相同名称。

请参阅this SO post 了解其工作原理。

这在语法上更容易理解正在发生的事情，并且内存效率高（以低速度为代价¹），因为它根本不会实现整个连接结果。事实上，这正是您在帖子中所说的 - 在合并时动态过滤。

1. 在大多数情况下，速度并不重要。如果i 中有很多 行，它可能会慢一点，因为必须为@987654332 中的每一行评估j-表达式@。相比之下，@akrun 的答案是进行笛卡尔连接，然后进行一次过滤。因此，虽然它的内存很高，但它不会为i 中的每一行评估j。但同样，除非您使用 非常大 i，否则这甚至都无关紧要，这种情况并不常见。

HTH

Answer 2

这可能会有所帮助：

library(data.table)
setkey(setDT(ev1), test_id)
DT <- ev1[ev2, allow.cartesian=TRUE][,distance:=time-i.time]
DT[DT[,abs(distance)==min(abs(distance)), by=list(test_id, i.time)]$V1]
#    test_id time i.time distance
#1:       0    3      6        3
#2:       0    1      1        0
#3:       0    3      8        5
#4:       1    4      4        0
#5:       1    4      5        1
#6:       1    4     11        7

或者

 ev1[ev2, allow.cartesian=TRUE][,distance:= time-i.time][,
      .SD[abs(distance)==min(abs(distance))], by=list(test_id, i.time)]

更新

使用新的分组

setkey(setDT(ev1), test_id, group_id)
setkey(setDT(ev2), test_id, group_id)
DT <- ev1[ev2, allow.cartesian=TRUE][,distance:=i.time-time]
DT[DT[,abs(distance)==min(abs(distance)), by=list(test_id, 
                                group_id,i.time)]$V1]$distance
#[1]  2  3  4 -1  0  4

根据您提供的代码

min_data$distance
#[1]  2  3  4 -1  0  4