按最接近的日期连接两个数据框，而无需在 R 中遍历

Question

我有两个不同长度的数据帧。两个数据框都包含日期。我想内部加入最接近的日期列而不跳过。例如，如果“2019-01-05”是日期，两个选择是“2019-01-06”和“2019-01-02”，则它与“2019-01-02”连接。我尝试使用 data.table 包中的 roll“inf”，但没有得到所需的结果。这是我想按日期加入的 2 个玩具数据框。

我还想按股票行情对连接进行分组。在 tidyverse 中，代码类似于：

df1 %>% group_by(ticker) %>% inner_join(df2, by = "Date") #but choose the closest date without going over.


df1 = data.frame(ticker = c("AAPL", "AAPL", "MSFT", "MSFT"), date = c("2019-01-06", "2019-02-06", "2019-01-06", "2019-05-02"))

df2 = data.frame(ticker = c("AAPL", "AAPL", "AAPL", "MSFT", "MSFT", "MSFT"), date = c("2019-01-03", "2019-01-07" , "2019-02-06", "2019-01-05", "2019-01-07", "2019-05-02"), randomVar = rnorm(6))

print(df1)
 ticker       date
1   AAPL 2019-01-06
2   AAPL 2019-02-06
3   MSFT 2019-01-06
4   MSFT 2019-05-02


print(df2)
 ticker       date  randomVar
1   AAPL 2019-01-03 -0.5321493
2   AAPL 2019-01-07 -0.7909461
3   AAPL 2019-02-06  0.2121993
4   MSFT 2019-01-05  1.2336315
5   MSFT 2019-01-07 -0.2729354
6   MSFT 2019-05-02 -0.5349596

我想创建 df3，它是 df1 和 df2 之间的联接。日期键列只能是 df1 日期列中的键。

在这种情况下，我们的新 df3 应该看起来像这样。

 print(df3)

 ticker       date   randomVar
1   AAPL 2019-01-06  -0.5321493
2   AAPL 2019-02-06   0.2121993
3   MSFT 2019-01-06   1.2336315
4   MSFT 2019-05-02   -0.5349596

Answer 1

这可以在 SQL 中使用默认 SQLite 后端在股票代码和 df2 日期小于或等于 df1 日期上使用左连接来完成，然后对 df1 进行分组并从 df2 中获取加入到 df1 的日期的最大日期。

library(sqldf)
sqldf("select df1.*, max(df2.date), df2.randomVar from df1 
  left join df2 on df1.ticker = df2.ticker and df1.date >= df2.date
  group by df1.rowid
  order by df1.rowid")[-3]

给予：

  ticker       date  randomVar
1   AAPL 2019-01-06 -0.5321493
2   AAPL 2019-02-06  0.2121993
3   MSFT 2019-01-06  1.2336315
4   MSFT 2019-05-02 -0.5349596

注意

以可重现形式输入：

Lines1 <- "ticker       date
1   AAPL 2019-01-06
2   AAPL 2019-02-06
3   MSFT 2019-01-06
4   MSFT 2019-05-02"


Lines2 <- "ticker       date  randomVar
1   AAPL 2019-01-03 -0.5321493
2   AAPL 2019-01-07 -0.7909461
3   AAPL 2019-02-06  0.2121993
4   MSFT 2019-01-05  1.2336315
5   MSFT 2019-01-07 -0.2729354
6   MSFT 2019-05-02 -0.5349596"

df1 <- read.table(text = Lines1, as.is = TRUE)
df2 <- read.table(text = Lines2, as.is = TRUE)

Answer 2

已经有一个接受的答案，但由于存在

data.table

标签，这里有一个

data.table

解决方案：

#convert sample data to data.table
setDT(df1)
setDT(df2)
#convert dates to 'real' dates
df1[, date := as.IDate(date) ]
df2[, date := as.IDate(date) ]
#update df1 by reference with a rolling join
df1[, randomVar := df2[ df1, x.randomVar, on = .(ticker, date), roll = Inf ] ]

#    ticker       date  randomVar
# 1:   AAPL 2019-01-06 -0.5321493
# 2:   AAPL 2019-02-06  0.2121993
# 3:   MSFT 2019-01-06  1.2336315
# 4:   MSFT 2019-05-02 -0.5349596

Answer 3

随着 dplyr 1.1.0 获得

closest

功能，现在超级简单

library(dplyr)
#> 

df1 %>% 
  left_join(df2,
            by = join_by(ticker == ticker,
                         closest(date >= date)))
#>   ticker     date.x     date.y  randomVar
#> 1   AAPL 2019-01-06 2019-01-03 -0.5321493
#> 2   AAPL 2019-02-06 2019-02-06  0.2121993
#> 3   MSFT 2019-01-06 2019-01-05  1.2336315
#> 4   MSFT 2019-05-02 2019-05-02 -0.5349596

^{创建于 2023-04-07，使用 reprex v2.0.2}