まずは蝋の翼から。

学んだことを書きながら確認・整理するためのメモブログ。こういうことなのかな？といったことをふわっと書いたりしていますが、理解が浅いゆえに的はずれなことも多々あると思うのでツッコミ歓迎

R(Python)のjoin条件で等号以外を使う

R Python 使い方メモ(不便解決)

目的

下記のようなデータにおいて、Aのstart_dateからend_dateの期間でBをJOINしたい。

A = tibble(id = c(1,2,3),
               start_date = c('2018-01-01','2018-02-01','2018-03-01'),
               end_date = c('2018-01-02','2018-02-03','2018-03-01'))

B = tibble(date = seq(as.Date('2018-01-01'), as.Date('2018-03-31'), by = 'day')) 

A
# =>
# id start_date   end_date
# 1  1 2018-01-01 2018-01-02
# 2  2 2018-02-01 2018-02-03
# 3  3 2018-03-01 2018-03-01

head(B)
# =>
# date
# 1 2018-01-01
# 2 2018-01-02
# 3 2018-01-03
# 4 2018-01-04
# 5 2018-01-05
# 6 2018-01-06

SQLでは

INNER JOIN(A,B) 
  ON A.date >= B.start_date 
  AND A.date <= B.end_date

で可能だが、R/Pythonのinner_joinでは等号指定しか使えない

対応1

一度FULL JOINをおこない、filterで条件部分に当てはまるもののみ残す。

A %>% 
  merge(B) %>% 
  filter(start_date <= date & end_date >= date) %>% 
  arrange(id)

# =>
#   id start_date   end_date       date
# 1  1 2018-01-01 2018-01-02 2018-01-01
# 2  1 2018-01-01 2018-01-02 2018-01-02
# 3  2 2018-02-01 2018-02-03 2018-02-01
# 4  2 2018-02-01 2018-02-03 2018-02-02
# 5  2 2018-02-01 2018-02-03 2018-02-03
# 6  3 2018-03-01 2018-03-01 2018-03-01

対応2

こちらはRだけで可能だが、fuzzyjoinという、= 以外の、それこそ表記ゆれとかそういうレベルでも紐づけ対応ができるパッケージがあるらしい。

GitHub - dgrtwo/fuzzyjoin: Join tables together on inexact matching

fuzzyjoinパッケージでいい感じにjoin - Technically, technophobic.

library(fuzzyjoin)

fuzzy_left_join(A, B, 
                by = c("start_date" = "date", "end_date" = "date"), 
                match_fun = list(`<=`, `>=`))

# =>
# id start_date end_date   date      
# <dbl> <chr>      <chr>      <date>    
#   1     1 2018-01-01 2018-01-02 2018-01-01
# 2     1 2018-01-01 2018-01-02 2018-01-02
# 3     2 2018-02-01 2018-02-03 2018-02-01
# 4     2 2018-02-01 2018-02-03 2018-02-02
# 5     2 2018-02-01 2018-02-03 2018-02-03
# 6     3 2018-03-01 2018-03-01 2018-03-01

参考

sql - dplyr left_join by less than, greater than condition - Stack Overflow