Присоединяйтесь к кадрам данных и выбирайте случайную строку при наличии нескольких совпадений

Моя data.table игра довольно слабая, но вот потенциальное решение, использующее подход, аналогичный описанному выше. Сначала я определяю фреймы данных.

# Define data frames
df1 <- read.table(text= "gender    year    code    amount   status
M    2011       A        15      EMX
M    2011       A       123      NOX
F    2015       B         0      MIX
F    2018       A        12      NOX
F    2015       B        11      NOX", header = TRUE)

df2 <- read.table(text = "gender    year   code
     M    2011      A
     M    2011      A
     F    2018      A
     F    2015      B", header = TRUE)

Затем я устанавливаю начальное число генератора случайных чисел для воспроизводимости и загружаю библиотеку.

# Set RNG seed
set.seed(4)

# Load library
library(data.table)

Затем я конвертирую фреймы данных в таблицы данных.

# Convert to data tables
dt1 <- data.table(df1) 
dt2 <- data.table(df2) 

Здесь я выполняю фактические соединения и т. д. Я делал это 5 раз в цикле, чтобы показать случайность результатов.

for(i in c(1:5)){
  # Add row numbers
  dt3 <- dt2[, rn :=.I
             ][dt1,on = .(gender, year, code)
               ][, .SD[sample(.N)[1]], .(gender, year, code, rn)
                 ][, rn := NULL]

  # Check results
  print(dt3)
}
#>    gender year code amount status
#> 1:      M 2011    A    123    NOX
#> 2:      M 2011    A     15    EMX
#> 3:      F 2015    B      0    MIX
#> 4:      F 2018    A     12    NOX
#>    gender year code amount status
#> 1:      M 2011    A    123    NOX
#> 2:      M 2011    A    123    NOX
#> 3:      F 2015    B     11    NOX
#> 4:      F 2018    A     12    NOX
#>    gender year code amount status
#> 1:      M 2011    A    123    NOX
#> 2:      M 2011    A    123    NOX
#> 3:      F 2015    B     11    NOX
#> 4:      F 2018    A     12    NOX
#>    gender year code amount status
#> 1:      M 2011    A     15    EMX
#> 2:      M 2011    A     15    EMX
#> 3:      F 2015    B     11    NOX
#> 4:      F 2018    A     12    NOX
#>    gender year code amount status
#> 1:      M 2011    A    123    NOX
#> 2:      M 2011    A     15    EMX
#> 3:      F 2015    B      0    MIX
#> 4:      F 2018    A     12    NOX

^{Created on 2019-06-12 by the reprex package (v0.3.0)}

Что я на самом деле делаю, так это добавляю номера строк в таблицу данных, что поможет мне сократить окончательную таблицу данных. Я соединяю таблицы данных, а затем группирую все строки, полученные из одной строки, в dt2 и выбираю одну случайным образом, используя sample. (Этот фрагмент кода заимствован у @akrun здесь.) Наконец, я удаляю столбец с номером строки.

df2 %>%
  mutate(
    amount = pmap_chr(
      .l = df2,
      .f = ~ df1 %>%
        filter(gender == ..1, year == ..2, code == ..3) %>%
        select(amount) %>%
        sample_n(1) %>%
        pull(amount)
    ),
    status = pmap_chr(
      .l = df2,
      .f = ~ df1 %>%
        filter(gender == ..1, year == ..2, code == ..3) %>%
        select(status) %>%
        sample_n(1) %>%
        pull(status)
    )
  )

Это довольно медленно, и я лично избегал бы этого, но это способ сделать это.

Я ожидаю, что это будет эффективно:

df1[, row := .I]
keys <- c("year", "gender", "code")
setkeyv(df1, keys)
setkeyv(df2, keys)

for (rowdf2 in seq_len(nrow(df2))) {
  set(df2, i = rowdf2, j = "rowindf1", value = df1[df2[rowdf2], x.row[sample(.N, 1)]])
}

setkeyv(df1, "row")
df1[df2[, .(rowindf1)]]

Пример вывода:

#    gender year code amount status row
# 1:      M 2011    A    123    NOX   2
# 2:      M 2011    A     15    EMX   1
# 3:      F 2015    B     11    NOX   5
# 4:      F 2018    A     12    NOX   4

Используйте «d2» для поиска строк в «d1» на основе совпадений в «поле», «годе», «коде» (d1[d2, on = .(gender, year, code), ...]). Для каждого совпадения (by = .EACHI) выберите одну строку (sample(.N, 1L)). Используйте это для индексации «суммы» и «статуса».

d1[d2, on = .(gender, year, code),
  {ri <- sample(.N, 1L)
  .(amount = amount[ri], status = status[ri])}, by = .EACHI]

# sample based on set.seed(1)
#    gender year code amount status
# 1:      M 2011    A     15    EMX
# 2:      M 2011    A     15    EMX
# 3:      F 2018    A     12    NOX
# 4:      F 2015    B     11    NOX

Обратите внимание, что существует открытый вопрос по Расширенная функциональность аргумента mult, то есть как обрабатывать случаи, когда несколько строк в x совпадают со строкой в ​​i. В настоящее время допустимы варианты "all" (по умолчанию), "first" или "last". Но если/когда проблема будет реализована, mult = "random" (sample(.N, size = 1L)) может использоваться для выбора случайной строки (строк) среди совпадений.