我必须相互比较两个人的数据集。
比方说，我有一个数据列，其中的列addToBackStack()很少。
a =还有 ID | Name | Gender | Country
——————————————————————————————————————————————————————————
1 | Mattias Adams | M | UK
2 | James Alan | M | Canada
3 | Dana Benton | F | USA
4 | Ella Collins | F | USA
b =数据帧 ID | First_Name | Last_name | Third_name | Whole_name | Gender
————————————————————————————————————————————————————————————————————————————
1 | Gary | Cole | Allan | Gary Allan Cole | M
2 | Dana | Benton | NA | Dana Benton | F
3 | Lena | Jamison | Anne | Lena Anne Jamison | F
4 | Matt | King | NA | Matt King | M
较大，包含约100,000行，而a包含少于1,000行。
目标是使用b中的数据在b中查找匹配的记录。因此，如果存在匹配项，则返回a中的整个行。
我想尝试两种方法。首先从a中的b$"Whole_name"中查找完全匹配。
完全匹配：
a$"Name"在这种情况下， eue_wn <- as.character(b$"Whole_name")
eue_wn_match <- a[which(as.character(a$"Name") %in% eue_wn),]
if (nrow(eue_wn_match) == 0) {
eue_wn_match <- "No matches"
}
的输出为：
eue_wn_matc模式匹配：
ID | Name | Gender | Country
——————————————————————————————————————————————————————————
3 | Dana Benton | F | USA
因此，在此过程中，匹配过程分为3个阶段。
名字 eup_ln <- paste(as.character(b$"Last_name"), collapse = "|")
eup_fn <- paste(as.character(b$"First_Name"), collapse = "|")
eup_tn <- paste(as.character(b$"Third_name"), collapse = "|")
eup_match <- a[which(grepl(eup_ln, as.character(a$"Name"), ignore.case = TRUE)),] #First filter (last name)
if (nrow(eup_match) == 0) {
eup_match <- "No matches"
}
if (nrow(eup_match) > 0) {
eup_match2 <- eup_match[which(grepl(eup_fn, as.character(eup_match$"Name"), ignore.case = TRUE)),] #Second filter (first name)
if (nrow(eup_match2) == 0 ) {
eup_match2 <- "No matches"
}
}
if (nrow(eup_match2) > 0) {
eup_match3 <- eup_match2[which(grepl(eup_tn, as.character(eup_match2$"Name"), ignore.case = TRUE)),] #Third filter (third_name)
if (nrow(eup_match3) == 0 ) {
eup_match3 <- "No matches"
}
}
是找到姓氏的结果。然后，结果取eup_match的第二个匹配项作为名字，结果eup_match2显示符合两个条件的记录。最后，获取最后一个结果，并将其与第三个名称eup_match3
在这种情况下，它们三个的结果都相同：
ID | Name | Gender | Country
——————————————————————————————————————————————————————————
3 | Dana Benton | F | USA
那是不正确的。只有eup_match和eup_match2应该具有该输出。从第一阶段开始，我们就匹配了Dana Benton(a)和Dana(b)
在下一阶段，比赛为Dana Benton(a)和Benton (b)。而且由于她没有姓氏，因此无法将她与姓氏匹配。
问题出在：
eup_tn <- paste(as.character(b$"Third_name"), collapse = "|")
此输出为：
"Allan|NA|Anne|NA"
由于NA已转换为字符，因此该函数能够在a和b中找到模式。在这种特殊情况下，Dana Benson (a）和NA (b)
关于如何纠正该问题的任何想法？
另一个问题与输出有关。有什么办法可以同时输出a和b的结果
示例：如果我们仅通过模式将a$Name与b$First_Name匹配，结果将是
ID | Name | Gender | Country | Match | Match ID
———————————————————————————————————————————————————————————————————————————
1 | Mattias Adams | M | UK | Matt | 4
3 | Dana Benton | F | USA | Dana | 2
因此前4列来自数据集a，后两列来自b
将根据匹配的Match | Match ID中的记录显示b列。
给出的测试示例的期望输出为：
ID | Name | Gender | Country
——————————————————————————————————————————————————————————
3 | Dana Benton | F | USA
很抱歉，很长的帖子。我试图使它尽可能清晰。如果有人想重新创建它，可以在这里找到xlsx文件a和b以及r代码：MyDropbox
如果有人对如何处理此主题有其他建议，欢迎提出。感谢您的帮助。
答案 0 :(得分：1)
为什么没有类似的东西
library(stringr)
library(dplyr)
a <- a %>%
# Extract first and last names into new variables
mutate(First_Name = str_extract(Name, "^[A-z]+"),
Last_Name = str_extract(Name, "[A-z]+$"),)
# Inner Join by first and last name.
# Add a suffix to be able to distinguish the origin of columns.
b %>% inner_join(a, by = c("First_Name", "Last_Name"), suffix = c(".b", ".a")) %>%
# Select the columns you want to see.
# Note that only the colums that have an ambiguous name have a suffix.
select(ID.a, Name, Gender.a, Country, First_Name, Last_Name, ID.b)
如果只寻找完全匹配的项目，效果很好。如果愿意，还可以通过str_extract(string, "[^A-z]+[A-z]+[^A-z$]")从字符串中提取中间名。
ID.a Name Gender.a Country First_Name Last_Name ID.b
1 3 Dana Benton F USA Dana Benton 2
从this great post展开：
library(RecordLinkage)
library(dplyr)
lookup <- expand.grid(target = a$Name, source = b$Whole_Name, stringsAsFactors = FALSE)
lookup %>% group_by(target) %>%
mutate(match_score = jarowinkler(target, source)) %>%
summarise(match = match_score[which.max(match_score)], matched_to = ref[which.max(match_score)]) %>%
inner_join(b, c("matched_to" = "Whole_Name"))
.8或.9以上的值都应该是不错的选择。仍然不完美。如果您的数据干净，则可以尝试分别匹配名字和姓氏。
结果：# A tibble: 4 x 8
target match matched_to ID First_Name Last_Name Third_Name Gender
<chr> <dbl> <chr> <dbl> <chr> <chr> <chr> <chr>
1 Dana Benton 1 Dana Benton 2 Dana Benton NA F
2 Ella Collins 0.593 Matt King 4 Matt King NA M
3 James Alan 0.667 Gary Allan Cole 1 Gary Cole Allan M
4 Mattias Adams 0.792 Matt King 4 Matt King NA M
与上述相同，仅使用Levenshtein距离和which.min()
library(RecordLinkage)
library(dplyr)
lookup <- expand.grid(target = a$Name, source = b$Whole_Name, stringsAsFactors = FALSE)
lookup %>% group_by(target) %>%
mutate(match_score = levenshteinDist(target, source)) %>%
summarise(match = match_score[which.min(match_score)], matched_to = ref[which.min(match_score)]) %>%
inner_join(b, c("matched_to" = "Whole_Name"))
如预期的那样，这会导致性能比JW差。
结果：# A tibble: 4 x 8
target match matched_to ID First_Name Last_Name Third_Name Gender
<chr> <int> <chr> <dbl> <chr> <chr> <chr> <chr>
1 Dana Benton 0 Dana Benton 2 Dana Benton NA F
2 Ella Collins 9 Dana Benton 2 Dana Benton NA F
3 James Alan 8 Matt King 4 Matt King NA M
4 Mattias Adams 8 Matt King 4 Matt King NA M
a <- structure(list(ID = c(1, 2, 3, 4), Name = c("Mattias Adams", "James Alan", "Dana Benton", "Ella Collins"), Gender = c("M", "M", "F", "F"), Country = c("UK", "Canada", "USA", "USA")), .Names = c("ID", "Name", "Gender", "Country"), row.names = c(NA, -4L), class = "data.frame")
b <- structure(list(ID = c(1, 2, 3, 4), First_Name = c("Gary", "Dana", "Lena", "Matt"), Last_name = c("Cole", "Benton", "Jamison", "King"), Third_Name = c("Allan", "NA", "Anne", "NA"), Whole_name = c("Gary Allan Cole", "Dana Benton", "Lena Anne Jamison", "Matt King"), Gender = c("M", "F", "F", "M")), .Names = c("ID", "First_Name", "Last_Name", "Third_Name", "Whole_Name", "Gender"), row.names = c(NA, -4L), class = "data.frame")
答案 1 :(得分：0)
如果要避免与NA的错误匹配，请不要在模式中包括它。改用它：
eup_tn <- paste(na.omit(as.character(b$"Third_name")), collapse = "|")
关于您的第二个问题：是通过使用基数R中的merge()函数来完成的，或者是在?dplyr::join中，可能是inner_join()中对其进行的替换之一。