Question

我的数据集有超过100,000个观察值（df1）。有一个打开的文本字段可输入您的姓名：HCP_Names

df1$HCP_Names<- c("Ahmaaad M", "Ahmad Mobin", "Ahmed Mobin" "Dr.Ahmad" "A.Mobin" , "Ahmad.M" , "AhmadMursalinM", "MursalinModin", "Mobin", "Ahmad", "Vince", "Jim Smith" , "Mario Gomez", "Lisa Robin", "Brown Jim")

基本上HCP_Names可能存在很多变化

我有一个名为4,000（df2$ListofNames）的名单，我想查看是否可以在df1 $ HCP_Names中找到它。 *请注意，这两个列表不相等！

df2$ListofNames<- c("Ahmad Mobin" , "Tanya Singh", "Jim Brown", "Vince Johnson", "Stacey Seguin", "Tim Black", "Ron James", "Lisa Robin")

我想生成一个单独的数据框，告诉我df2 $ ListofNames中的元素与df1 $ HCP_Names匹配的概率。之后计划是我手动检查极有可能的匹配，看看实际上他们是否匹配（或不匹配）。

PS。注意，因为df1 $ HCP_Names是一个开放文本字段，理论上可以先输入他们的姓氏，然后再输入他们的姓氏。但是，df2 $ ListofNames为每个人都有一个唯一的条目

Answer 1

好的所以我找到了一个对我有用的答案：

我将df1$HCP_Names中的名称与df2$ListofNames中的名称合并为一列Name_List1并运行以下代码：

require(RecordLinkage)
rec.pair<- compare.dedup(Names_List1,
                         strcmp = 1,
                         strcmpfun=levenshteinSim)

它产生这个输出：

id1 id2 HCP_Names is_match

907 4471 0.962 NA

然后我手动检查每个＆＃34;高概率＆＃34;匹配。

希望这有助于那里的人！

R

1 个答案: