Question

我目前正在研究一个项目，但遇到了问题...我正在尝试根据候选人的姓名匹配两个数据框。我设法做到了，但是在max_dist大于2的情况下，我开始得到重复的条目。但是，如果我可以在运行stringdist_join之前按种族（州和地区）将候选人“分组”，则很容易避免这些情况，因为每场比赛只有少数候选人，几乎没有机会让两个候选人具有相同的名字。

目标是获得一个名为tmpJoin的表，在其中我可以同时拥有候选人ID和canVotes以及名称，州，地区。

任何建议将不胜感激！

下面是我的代码以及两个数据集的复制

state <- c('AL','AL','AL','AL','AL','NY','NY','NY','NY','NY')  
district <-c('01','02','02','03','01','01','02','01','02','02')  
FullName <-c('Sonny Callahan','Tom Bevill','Faye Baggiano','Thomas
Bevill','Don Sledge','William Turner', 'Bill Turner','Ed Smith','Tom
Bevill','Edward Smith')
canVotes <-c('234','589','9234','729','149','245','879','385','8712','7099')

yearHouseResult <- data.frame(state, district, FullName,canVotes)

state <- c('AL','AL','AL','AL','AL','NY','NY','NY','NY','NY')
district <-c('01','02','02','03','01','01','02','01','02','02')
FullName <-c('Sonny Callahan','Tom Beville','Faye Baggiano','Thom Bevill','Donald Sledge','Bill Turner', 'Bill Turner','Ed Smith','Tom Bevill','Ed Smith')
candidateID <- c('1','2','3','4','5','6','7','8','9','10')

congrCands <- data.frame(state, district, FullName, candidateID)

tmpJoin <- stringdist_join(congrCands, yearHouseResult, 
                           by = "FullName",
                           max_dist=2,
                           method = "osa",
                           ignore_case = FALSE,
                           distance_col = "matchingDistance")

Answer 1

您也可以使用fuzzy_inner_join包中的fuzzyjoin测试这三个条件。

首先，我必须将因子更改为数字和字符，因为不同的因子级别会干扰函数。

一些有关fuzzy_join的信息。在参数match_fun中描述了三个条件，在by中指定了条件列。

stringdist <4 for FullName
区必须相等
状态必须相等（区是数字，状态是字符，因此需要两个不同的功能来比较这些列）

该表包含的列超出了您的需要。因此，您可以选择所需的列。我只是认为这样控制比赛会更容易。

yearHouseResult <- data.frame(state, district, FullName,canVotes) %>%
  mutate(state = as.character(state),
         district = as.numeric(district),
         FullName = as.character(FullName))


congrCands <- data.frame(state, district, FullName, candidateID) %>%
  mutate(state = as.character(state),
         district = as.numeric(district),
         FullName = as.character(FullName))

t <- fuzzy_inner_join(congrCands, yearHouseResult, 
                     match_fun = list(function(x,y) stringdist(x,y, 
                                      method="osa") < 4, 
                                      `==`, 
                                      function(x,y) str_detect(x,y)),
                     by = c( "FullName", "district", "state"))

如果将stringdist的数量从4增加到5，您将正确匹配Ed / Edward Smith，但不正确地匹配William / Bill Turner。因此，您需要确定最重要的是一个或多个完整匹配。

使用stringdist_join对两个数据帧进行分组

1 个答案: