在 df1 和 df2 之间执行 left_join，其中 df2 给出 df1 中连接变量的范围

Question

我正在尝试合并两个数据框。

df1

包含公司级数据，其中包含列

company_name

和

industry_code

。说

df1

看起来像这样：

公司名称	行业代码
A	33
B	43
C	56
D	88

df2

包含

industry_name

、

min_code

、

max_code

。说

df2

看起来像这样：

行业名称	最小代码	最大代码
烟	10	19
食物	20	39
护理	40	69
制造	70	99

我想将

df2

行业数据合并到

df1

公司数据。这样，合并后的数据如下所示：

公司名称	行业代码	行业名称
A	33	食物
B	43	护理
C	56	护理
D	88	制造

请参阅下面我失败的尝试：

# first attempt
df1 %>%
left_join(df2, by = c("industry_code" = "min_code"))

# second attempt
df1 %>%
mutate(industry_name = ifelse(between(industry_code, df2$min_code, df2$max_code), df2$industry_name, NA)

Answer 1

正如乔恩已经说过的，使用 dplyr 最简单的答案是使用

join_by()

:

df1 |>
  left_join(df2, join_by(between(industry_code, min_code, max_code))) |>
  select(-min_code, -max_code)

输出：

# A tibble: 4 × 3
  company_name industry_code industry_name
  <chr>                <dbl> <chr>        
1 A                       33 Food         
2 B                       43 Care         
3 C                       56 Care         
4 D                       88 Manufacturing

第一次尝试的问题是，（我相信您已经知道），行业代码与最低代码不匹配，因此您得到 NA。

如果你稍微尝试一下，第二次尝试的问题就会变得更清楚：

between(c(88, 88, 88, 88), df2$min_code, df2$max_code) # [1] FALSE FALSE FALSE  TRUE

between(c(33, 33, 33, 33), df2$min_code, df2$max_code) # [1] FALSE  TRUE FALSE FALSE

between(c(33, 33, 33, 33, 33), df2$min_code, df2$max_code) 
# Error in between(c(33, 33, 33, 33, 33), df2$min_code, df2$max_code) : 
#  Incompatible vector lengths: length(x)==5 length(lower)==4 length(upper)==4. Each should be either length 1 or the length of the longest.

代码不会根据每个最小值和最大值检查每个行业代码，而是根据第一个最小值和第一个最大值检查第一个行业代码，依此类推。