如何在 R 中匹配/比较数据帧时包含一定程度的错误

Question

我是 R 新手，我正在尽我最大的努力（到目前为止；非常好），但我遇到了问题。我有两个数据框，一个是理论值，另一个是实验值，并且数据框的长度不一样。我想比较两个数据框以找到它们之间的匹配值。由于它是理论值与实验值，我需要在匹配值时包含一定程度的误差，例如理论值的±0.5。这就是我遇到问题的地方 - 我不知道如何包含此错误。

数据框很大，但下面是我尝试过的示例。

Theory <- c("195.0882",
            "196.0852",
            "196.0916",
            "300.1600",
            "288.1752",
            "289.1786",
            "290.1819",
            "393.2077",
            "394.2111")

Experi <- c("195.0312",
            "196.0340",
            "196.1251",
            "288.1856",
            "289.1786",
            "290.1819")


T <- data.frame(Theory)
E <- data.frame(Experi)
M1 <- merge.default(T, E)
M2 <- match(Theory, Experi)
M2
# [1] NA NA NA NA NA  5  6 NA NA

merge 和 match 都没有出错的余地，而 compare 包似乎也无济于事。

Answer 1

我们可以使用data.table::foverlaps 函数进行重叠合并。首先我们需要准备数据，为理论值创建范围。

library(data.table)

# set tolerance for merge
tolerance <- 0.5

# Theory data, prepare data with tolerance for Start/End
dt_T <- data.table(
  Theory = as.numeric(Theory),
  Start = as.numeric(Theory) - tolerance,
  End = as.numeric(Theory) + tolerance, 
  key= c("Start", "End"))

# Experi data, Start/End are the same
dt_E <- data.table(
  Experi = as.numeric(Experi),
  Start = as.numeric(Experi),
  End = as.numeric(Experi), 
  key= c("Start", "End"))

# merge with overlap
foverlaps(dt_E, dt_T)
#      Theory    Start      End   Experi  i.Start    i.End
# 1: 195.0882 194.5882 195.5882 195.0312 195.0312 195.0312
# 2: 196.0852 195.5852 196.5852 196.0340 196.0340 196.0340
# 3: 196.0916 195.5916 196.5916 196.0340 196.0340 196.0340
# 4: 196.0852 195.5852 196.5852 196.1251 196.1251 196.1251
# 5: 196.0916 195.5916 196.5916 196.1251 196.1251 196.1251
# 6: 288.1752 287.6752 288.6752 288.1856 288.1856 288.1856
# 7: 289.1786 288.6786 289.6786 289.1786 289.1786 289.1786
# 8: 290.1819 289.6819 290.6819 290.1819 290.1819 290.1819

Answer 2

根据您的评论，您说您只想为每个实验值获得一个理论值，即使多个理论值满足公差。您暗示，如果有多个候选人满足容差，您希望选择所有候选人中最接近的匹配。但是你也说没有必要匹配每个值。我认为这是一个矛盾。如果您需要在所有理论值中选择最接近匹配的理论值，那么这意味着您需要将每个实验值与所有个理论值进行比较，以确保您选择所有理论值中最接近的匹配。

findInterval() 函数适合此目的。通过首先对理论向量进行排序，我们可以将其用作findInterval() 的vec 参数，这将允许使用二进制搜索来找到每个实验值的下限。我们可以指定all.inside=T来保证返回的索引都在排序后的理论向量内（并且不指向最后一个元素），然后对相邻元素执行额外的tiebreaker，当上元素实际上更接近于实验值低于元素。

最后，我们可以应用公差。从您的问题看来，您可能希望为没有匹配理论值的实验值返回 NA，IOW 没有满足公差的理论值。如果不满足相应实验值的容差，我们可以通过用 NA 覆盖上一步中发现的理论值来轻松实现这一要求。

另外，小问题：我不确定您为什么将向量定义为字符。我们需要数值来执行这些操作。

因此：

theory <- c(195.0882,196.0852,196.0916,300.16,288.1752,289.1786,290.1819,393.2077,394.2111);
experi <- c(195.0312,196.034,196.1251,288.1856,289.1786,290.1819);

## sort theory for findInterval() binary search
theory <- sort(theory);

## get closest match for each experi element
i <- findInterval(experi,theory,all.inside=T);
inc <- which(abs(theory[i+1L]-experi)<abs(theory[i]-experi));
i[inc] <- i[inc]+1L;

## init result vector
res <- theory[i];

## replace with NA any result elements whose deviations exceed the tolerance
res[abs(res-experi)>0.5] <- NA_real_;

## show result in a nice format
data.frame(experi,res,error=experi-res);
##     experi      res   error
## 1 195.0312 195.0882 -0.0570
## 2 196.0340 196.0852 -0.0512
## 3 196.1251 196.0916  0.0335
## 4 288.1856 288.1752  0.0104
## 5 289.1786 289.1786  0.0000
## 6 290.1819 290.1819  0.0000