基于最近日期的映射

Question

我想获取具有关联“所有者”和日期的电子邮件列表，并将它们与传入的订单、日期和值进行匹配。匹配键是电子邮件，但我希望它在最近的日期匹配，因为在某些情况下，电子邮件地址可能有 2 个不同的所有者。

可重现的例子：

require(dplyr)

e <- c("e3r@gmail.com", "e3r@gmail.com", "poi@aol.com", "tyu@gmail.com", "poi@aol.com", "tyu@gmail.com")
d <- c("2017-01-01", "2017-04-05", "2017-04-12", "2017-05-05", "2017-08-05", "2017-12-05")
p <- c("Jeff", "Sam", "Sam", "Jeff", "Matt", "Matt")
df <- data_frame(e, d, p) %>% mutate(d=as.Date(d))

o <- c("e3r@gmail.com", "poi@aol.com", "sdf@gmail.com", "tyu@gmail.com")
d2 <- c("2017-02-02", "2017-04-28", "2017-05-05", "2017-07-01")
a <- c(600.50, 3000, 4999.99, 2050.6)
df2 <- data_frame(o, d2, a) %>% mutate(d2 = as.Date(d2))

第一个df是p人拥有的电子邮件地址的映射。 df2 是带有这些电子邮件地址的订单，我想在df2 中添加一列，以固定正确的“所有者”，即拥有该电子邮件地址的人和 em> 最接近日期。

想要的结果：

> df2
# A tibble: 4 x 3
              o         d2       a       newowner
          <chr>     <date>   <dbl>       <char>
1 e3r@gmail.com 2017-02-02  600.50       "Jeff"
2   poi@aol.com 2017-04-28 3000.00       "Sam"
3 sdf@gmail.com 2017-05-05 4999.99       NA
4 tyu@gmail.com 2017-07-01 2050.60       "Jeff"

目前，这不是一个大问题 - 在“拥有”电子邮件地址的 70k 条记录中，只有约 86 例重复。但是，所有权在一年中的最后几个月正在发生变化，因此如果所有权转移，可能会引入大量重复。我目前正在使用最远日期的所有者，并覆盖这 86 个示例中的其他所有者。

感谢您的帮助！

Answer 1

@Frank 的回答很棒，就像他说的，data.table 有滚动连接，但dplyr 没有。所以我认为data.table在这里是一个更好的选择。但是，如果您想留在dplyr。这是一个想法。

library(dplyr)
df3 <- df %>%
  full_join(df2, by = c("e" = "o")) %>%
  mutate(Date_ABS_Diff = abs(d - d2)) %>%
  arrange(e, Date_ABS_Diff) %>%
  group_by(e) %>%
  slice(1) %>%
  select(o = e, d2, a, newowner = p)
df3
# A tibble: 4 x 4
# Groups:   o [4]
              o         d2       a newowner
          <chr>     <date>   <dbl>    <chr>
1 e3r@gmail.com 2017-02-02  600.50     Jeff
2   poi@aol.com 2017-04-28 3000.00      Sam
3 sdf@gmail.com 2017-05-05 4999.99     <NA>
4 tyu@gmail.com 2017-07-01 2050.60     Jeff

此方法使用full_join 通过电子邮件组合所有可能的组合。然后，计算日期之间的绝对差，并使用arrange 和slice 选择绝对日期最小的记录。

Answer 2

这是 data.table 中的标准滚动更新联接：

library(data.table)
DT = data.table(df)
DT2 = data.table(df2)
DT2[DT, on=.(o = e, d2 = d), roll=-Inf, v := i.p ]

               o         d2       a    v
1: e3r@gmail.com 2017-02-02  600.50 Jeff
2:   poi@aol.com 2017-04-28 3000.00  Sam
3: sdf@gmail.com 2017-05-05 4999.99   NA
4: tyu@gmail.com 2017-07-01 2050.60 Jeff

如果根据标题，您想要最近的匹配，请使用 roll = "nearest" 而不是 roll = -Inf。

Dplyr 没有滚动连接，也永远不会有更新连接，所以那里没有类似物。