Question

一般来说数据链接相对较新，特别是R RecordLinkage package。我有以下数据：

require(RecordLinkage)
library(RCurl)

dss_member <- read.csv(text = getURL("https://raw.githubusercontent.com/kilimba/data/master/dss_member.csv"),
                       stringsAsFactors = F)
dss_member$id <- NULL
patient <- read.csv(text = getURL("https://raw.githubusercontent.com/kilimba/data/master/patient.csv"),
                    stringsAsFactors = F)
patient$id <- NULL

rpairs <- compare.linkage(patient,dss_member)

rpairs$pairs

rpairs <- epiWeights(rpairs) 

summary(rpairs)

如您所见，我有两个数据框，dss_member（11行）和patient（5行）。我已经插入了一行，其中应该理论上绝对是一个链接，用户James Earl Jones。但是我有两个问题。

行rpairs$pairs会产生输出，其中最后一列is_match始终显示为NA，即使我确定两个数据集中至少有一行相同。这是什么意思？这与another SO question有关，尚未得到解答。
行

rpairs <- epiWeights(rpairs)

summary(rpairs)

给出如下结果：

Linkage Data Set

5 records in data set 1 
11 records in data set 2 
55 record pairs 

0 matches
0 non-matches
55 pairs with unknown status


Weight distribution:

  [0,0.2] (0.2,0.4] (0.4,0.6] (0.6,0.8]   (0.8,1] 
       47         1         3         2         2

（a）为什么它显示0场比赛和0场不比赛，当肯定至少在比赛时（James Earl Jones）

（b）函数identity中的compare.linkage()参数是可选的吗？如果是这样的话，当你把它放在外面时会发生什么呢？

（c）即使没有“黄金标准”来执行记录链接，并且不记录链接评估，是否可以使用此包？

亲切的问候， Tumaini

Answer 1

Tumaini，

您需要区分真实状态（虚假或真实）和分类（非链接，可能或链接）。见作者＆＃39; R Journal 2/2（2010）中的文章，包装手册和作者＆＃39;在此回复：R RecordLinkage Identity。

直接回答您的问题：

（a）输出显示＆＃34; 0匹配＆＃34;和＆＃34; 0不匹配＆＃34;因为你在compare.linkage（）中省略了identity1和identity2参数。

（b）是的，compare.linkage（）中的identity1和identitity2参数是可选的。如果省略标识参数，则忽略真实匹配状态。如果正确指定了标识参数，则使用真正的匹配状态。

（c）我不确定你的意思是＆＃34;记录联动＆＃34;与＃34;记录联系评估＆＃34;。记录链接可以被理解为分类问题，其中比较模式作为输入并且匹配状态作为输出。

以下是您可能需要尝试的四步解决方案：

1）运行compare.linkage ，不带身份参数。

2）从记录对中创建两个标识变量。

3）将两个身份变量转换为身份向量。

4）再次运行compare.linkage，但带有标识参数。

Anders Alexandersson andersalex@gmail.com

如何使用R的RecordLinkage包查找记录匹配？

1 个答案: