Question

我需要在三个变量上匹配两个数据集。三个变量中的两个不会出现拼写错误（根据设计）。只有第三个变量才需要模糊匹配。

标准fuyyzmerge通过将所有三个变量模糊连接而产生一些问题。

有没有一种方法可以指定三个应该模糊匹配以及哪个完全匹配？

可复制的示例：

dataset_1 <- setNames(data.frame(c(1995,1996,1995,1996),c("AA","AA","BB","BB"),c("AAAA","AAAA","BBBB","BBBB")), c("var_1", "var_2", "var_3"))
dataset_2 <- setNames(data.frame(c(1995,1996,1995,1996),c("AA","AA","BB","BB"),c("AAAA","AAAA","BBBB","BBBC"),c("A","B","C","D")), c("var_1", "var_2", "var_3","var_4"))


merged <- stringdist_join(dataset_1, dataset_2, 
                                  by=c("var_1","var_2","var_3"),  
                                  max_dist = 2, 
                                  method = c("soundex"),
                                  mode = "full", 
                                  ignore_case = FALSE)

理想的结果：

merged <- setNames(data.frame(rep(1995,4),c("AA","AA","BB","BB"),c("AAAA","AAAA","BBBB","BBBB"),c("A","B","C","D")), c("var_1", "var_2", "var_3","var_4"))

Answer 1

stringdist_join是fuzzy_join的包装，并且fuzzy_join有一个match_fun参数，只要您的{{ 1}}参数，因此我们可以使用by（与fuzzy_full_join一起使用fuzzy_join）：

mode= "full"

由于模糊匹配的性质，lhs和rhs的值通常不相同，因此如果只保留lhs，我们最终得到两组by列：

library(fuzzyjoin)
res <- fuzzy_full_join(dataset_1, dataset_2, 
                by=c("var_1","var_2","var_3"),
                list(`==`, `==`, function(x,y) stringdist::stringdist(x,y, "soundex") <= 2))
res
#   var_1.x var_2.x var_3.x var_1.y var_2.y var_3.y var_4
# 1    1995      AA    AAAA    1995      AA    AAAA     A
# 2    1996      AA    AAAA    1996      AA    AAAA     B
# 3    1995      BB    BBBB    1995      BB    BBBB     C
# 4    1996      BB    BBBB    1996      BB    BBBC     D

对多个变量进行模糊合并（除一个以外的所有变量都不会出现拼写错误）

1 个答案: