在接近度上匹配两个 R 数据框答案

【问题标题】：Matching Two R Data Frames on Closeness在接近度上匹配两个 R 数据框
【发布时间】：2019-01-17 00:37:09
【问题描述】：

我有以下两个数据框：

df1 <- data.frame(group = rep("A", 5),
                  name = c("Brandon",
                           "Kyler",
                           "Trent",
                           "Lesa",
                           "Michael"),
                  gender = c("M", "F", "M", "F", "M"),
                  days = c(50, 45, 32, 60, 48))

df2 <- data.frame(group = rep("B", 10),
                  name = c("Erica", 
                           "Jared",
                           "Sara",
                           "Helen",
                           "Tom",
                           "Ron",
                           "Cy",
                           "Lynn",
                           "Ken",
                           "Judy"),
                  gender = c("F", "M", "F", "F", "M", "M", "M", "F", "M", "F"),
                  days = c(47, 49, 62, 80, 74, 30, 55, 58, 63, 25))

我想根据gender 和days 过滤df2 以仅包含与df1 数据框中每一行最接近的匹配项，gender 优先。

例如，在df1 中，“Brandon”有gender == M 和days == 50。当我们只查看df2 中的gender == M 时，我们看到“Jared”在几天内最接近“Brandon”，因此“Jared”将被选为“Brandon”匹配。总的来说，生成的数据框如下所示：

# group  name gender days
#     B Jared      M   49
#     B Erica      F   47
#     B   Ron      M   30
#     B  Lynn      F   58
#     B    Cy      M   55

附加规则：

这是一个分层合并，其中gender 匹配优先于days 紧密度。
请注意，df1 中有两个等距选项可匹配“Lesa”（“Sara”和“Lynn”）。随机选择两者之一匹配“Lesa”。在上面的最终数据框中，示例选择了“Lynn”。
df2 中的“Jared”与df1 中的“Brandon”和“Michael”距离相等。因为“Jared”已经匹配到“Brandon”，所以他不能也匹配到“Michael”。因此，与“Michael”的比赛继续进行到“Cy”，这是在gender 和days 方面的下一个最佳剩余比赛。

【问题讨论】：

您如何平衡gender 和days 的重要性？编辑：抱歉没有看到你过滤性别。所以它是一个分层合并，您首先过滤性别然后获得最接近的日期匹配？
@JonnyPhelps 你是对的 - 分层合并，给予gender 优先级。

标签： r distance

【解决方案1】：

数据

首先，我将stringsAsFactors = FALSE 添加到您的输入数据框中，因为在我的解决方案中使用字符串比使用因素更容易。

df1 <- data.frame(group = rep("A", 5),
              name = c("Brandon",
                       "Kyler",
                       "Trent",
                       "Lesa",
                       "Michael"),
              gender = c("M", "F", "M", "F", "M"),
              days = c(50, 45, 32, 60, 48),
              stringsAsFactors = FALSE)

df2 <- data.frame(group = rep("B", 10),
                  name = c("Erica", 
                           "Jared",
                           "Sara",
                           "Helen",
                           "Tom",
                           "Ron",
                           "Cy",
                           "Lynn",
                           "Ken",
                           "Judy"),
                  gender = c("F", "M", "F", "F", "M", "M", "M", "F", "M", "F"),
                  days = c(47, 49, 62, 80, 74, 30, 55, 58, 63, 25),
                  stringsAsFactors = FALSE)

解决方案

library(tidyverse)

# empty dataframe for the output
df2_new <- data.frame(group = character(),
                      name = character(),
                      gender = character(),
                      days = numeric(),
                      stringsAsFactors = FALSE)

for(i in 1:nrow(df1)){

  # add the row of interest to the output dataframe
  df2_new[i,] <- df2 %>% 
    mutate(day_diff = abs(days - df1$days[i])) %>%
    filter(gender == df1$gender[i]) %>% 
    slice(which.min(day_diff)) %>%
    select(-day_diff)

  # remove the newly added row from the original dataset
  df2 <- df2 %>%
    filter(!(name %in% df2_new$name))

}

这是我想到的第一个解决方案。在这种情况下，随着 for 循环的进行，行会从 df2 中删除，正如您所说的那样

想要过滤 df2 以仅包含与 df1 中每一行最接近的匹配项

输出

df2_new

  group  name gender days
1     B Jared      M   49
2     B Erica      F   47
3     B   Ron      M   30
4     B  Sara      F   62
5     B    Cy      M   55

在我的例子中，代码选择了 Sara 而不是 Lynn，但这是 50/50 的选择。

【讨论】：