Question

我有两个来自不同来源的数据框，它们引用的是同一个人，但是由于自报告数据存在错误，因此日期可能会略有缩短。

示例数据：

df1 <- data.frame(name= c("Ann", "Betsy", "Charlie", "Dave"), dob= c(as.Date("2000-01-01", "%Y-%m-%d"), as.Date("2001-01-01", "%Y-%m-%d"), as.Date("2002-01-01", "%Y-%m-%d"), as.Date("2003-01-01", "%Y-%m-%d")), stringsAsFactors=FALSE)

df2 <- data.frame(name= c("Ann", "Charlie", "Elmer", "Fred"), dob= c(as.Date("2000-01-11", "%Y-%m-%d"), as.Date("2004-01-01", "%Y-%m-%d"), as.Date("2001-01-01", "%Y-%m-%d"), as.Date("2006-01-01", "%Y-%m-%d")), stringsAsFactors=FALSE)

我想用dplyr匹配确切的名称，例如：

library(dplyr)

inner_join(df1, df2, by = c("name"))

name    dob.x   dob.y
Ann     2000-01-01  2000-01-11
Charlie     2002-01-01  2004-01-01

，也可以使用30天之内的出生日期（dob），并使用Fuzzyjoin软件包，例如：

library(fuzzyjoin)

difference_inner_join(df1, df2, by=c("dob"), max_dist = 30)

name.x  dob.x   name.y  dob.y
Ann     2000-01-01  Ann     2000-01-11
Betsy   2001-01-01  Elmer   2001-01-01

但是结合两个条件，以便仅返回Ann

Answer 1

好吧，你可以这样做：

 difference_inner_join(df1, df2, by=c("dob"), max_dist = 30) %>%
  filter(name.x == name.y)

  name.x      dob.x name.y      dob.y
1    Ann 2000-01-01    Ann 2000-01-11

Answer 2

仅依赖dplyr和基数R。我很少需要模糊联接。 inner_join和随后的filter通常就足够了

inner_join(df1, df2, by = c("name")) %>% 
  filter(abs(difftime(dob.x,dob.y, "days"))<30)

结果

  name      dob.x      dob.y
 1  Ann 2000-01-01 2000-01-11

精确匹配某些列，部分匹配inner_join

2 个答案: