合并两个数据框，均具有基于最近位置的坐标

Question

我有一个包含局部变量的大数据框（~130000 行）和另一个包含物种密度的大数据框（~7000 行）。两者都有 x 和 y 坐标，但这些坐标并不总是匹配。例如：

df1 <- data.frame(X = c(2,4,1,2,5), Y = c(6,7,8,9,8), V1 = c("A", "B", "C", "D", "E"), V2 = c("G", "H", "I", "J", "K"))

和：

df2 <- data.frame(X = c(2,4,6), Y = c(5,9,7), Dens = c(12, 17, 10))

如果附近有一个点，我想向 df1 添加一列，其中包含来自 df2 的密度（Dens）。如果附近没有点，我希望它显示为 NA。例如：

X Y   V1   V2    Dens
2 6   A    G      12
4 7   B    H      NA     
1 8   C    I      17
2 9   D    J      NA
5 8   E    K      10

Answer 1

首先，我们编写一个函数来查找 df2 中与 df1 的单行最接近的点。这里我使用简单的笛卡尔距离（即(x1 - x2)^2 + (y1 - y2)^2）。如果您有纬度/经度，您可能需要将其更改为更好的公式：

mydist <- function(row){
  dists <- (row[["X"]] - df2$X)^2 + (row[["Y"]]- df2$Y)^2
  return(cbind(df2[which.min(dists),], distance = min(dists)))
}

一旦你有了这个，你只需要将lapply它添加到每一行，并将其添加到你的第一个数据中：

z <- cbind(df1, do.call(rbind, lapply(1:nrow(df1), function(x) mydist(df1[x,])))) 

对于您的测试数据，输出如下所示：

   X Y V1 V2 X Y Dens distance
1  2 6  A  G 2 5   12        1
2  4 7  B  H 4 9   17        4
3  1 8  C  I 2 5   12       10
21 2 9  D  J 4 9   17        4
22 5 8  E  K 4 9   17        2

然后，您可以执行以下操作来过滤掉超出阈值的内容：

threshold <- 5
z$Dens[z$distance > threshold] <- NA

   X Y V1 V2 X Y Dens distance
1  2 6  A  G 2 5   12        1
2  4 7  B  H 4 9   17        4
3  1 8  C  I 2 5   NA       10
21 2 9  D  J 4 9   17        4
22 5 8  E  K 4 9   17        2

你的实际数据非常大（同样大小的模拟数据集在我的电脑上大约需要10分钟）。如果可能的话merge，您应该只在那些不完全匹配的情况下运行此命令（请参阅dplyr::anti_join）。