Question

我是R的新手并且正在努力解决甚至可能无法正确询问的问题，但这就是我现在能够最好地表达它的方式。我有两个不同的CSV文件读入R. dataA1包含481242行和71列（即变量），其中一个是conm（即公司名称）。 dataB1包含715列（变量）的1615行，其中一列是company.name。

来自dataB1的1615个公司名称中的一些与dataA1中的一些481242公司名称部分或完全匹配（重叠）。

我的目标是，在dataB1中创建一个列，对于那些也在dataA1（部分或完全相同的名称）中找到的公司，我将拥有1-s，并且0-那些在那里找不到的人。

任何想法如何做到这一点？

为了让您更好地了解数据的外观，这里是dataA1：

1-PAGE LTD
3I GROUP PLC
3I INFOTECH LTD
401 HOLDINGS LTD
4CS HOLDINGS CO LTD
55 STATION INC
600 GROUP PLC (THE)
7DIGITAL GROUP PLC

以及需要与dataB1匹配的列：

1-Page Ltd
180 Connect Inc
3DLabs Inc., Ltd.
3M France
3U Holdings AG
4Imprint Group Plc
724 Solutions Inc
7days music entertainment AG

Answer 1

我没有足够的细节，但我会考虑使用标志操作。标志运算符只是识别向量中的哪些值存在于相应的数据帧，向量等中。对于您的示例，我将执行以下操作：

dataB1 <- toupper(dataB1)
flag   <- dataB1 %in% dataA1

如果值在dataA1中完全匹配，则此代码将给出TRUE，否则以向量的形式给出FALSE。

Answer 2

您可以尝试amatch包的stringdist功能，例如：

library(stringdist)

toSearch <- c("1-PAGE LTD","3I GROUP PLC","3I INFOTECH LTD","401 HOLDINGS LTD",
              "4CS HOLDINGS CO LTD", "55 STATION INC","600 GROUP PLC (THE)",
              "7DIGITAL GROUP PLC")

lookupTable <- c("1-Page Ltd", "180 Connect Inc", "3DLabs Inc., Ltd.",
                 "3M France","3U Holdings AG", "4Imprint Group Plc", "724 Solutions Inc",
                 "7days music entertainment AG")

acceptableDistanceThresh = 0.23
lookupTableIndex <- amatch(toupper(toSearch),
                           toupper(lookupTable),
                           method='jw',
                           maxDist=acceptableDistanceThresh,
                           nthread = 4)


res <- data.frame(toSearch,
                  lookupTableValue=lookupTable[res],
                  lookupTableIndex=lookupTableIndex)

> res
                 toSearch   lookupTableValue lookupTableIndex
1          1-PAGE LTD         1-Page Ltd                1
2        3I GROUP PLC               <NA>               NA
3     3I INFOTECH LTD               <NA>               NA
4    401 HOLDINGS LTD     3U Holdings AG                5
5 4CS HOLDINGS CO LTD               <NA>               NA
6      55 STATION INC               <NA>               NA
7 600 GROUP PLC (THE)               <NA>               NA
8  7DIGITAL GROUP PLC 4Imprint Group Plc                6

在基本软件包中，函数agrep可以执行部分匹配，但它没有矢量化，也没有多线程。

如何检查R中部分匹配的两个不同数据帧中的两个字符串列？

2 个答案: