inner_join()，其中一个键的值范围（年份）

Question

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

Answer 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]

Answer 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：

1. 加入所有匹配的相册
2. 只过滤掉年份接近的记录：

https://stackoverflow.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

Answer 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

Answer 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。

Answer 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