我一直在研究一種基于不完善的字符串（例如公司名稱）來聯接兩個數據集的方法。過去，我必須匹配兩個非常臟的列表，一個列表包含名稱和財務信息，另一個列表包含名稱和地址。都沒有唯一的ID可以匹配！假設已經應用了清潔，并且可能存在打字和插入錯誤。到目前為止，AGREP是我發現最有效的工具。我可以在AGREP包中使用levenshtein距離，該距離用于測量兩個字符串之間的刪除，插入和替換的數量。AGREP將返回距離最小（最相似）的字符串。但是，我一直無法將命令從單個值轉換為將其應用于整個數據幀。我已經粗略地使用了for循環來重復AGREP函數，但是總有一種更簡單的方法。請參見以下代碼：a<-data.frame(name=c('Ace Co','Bayes', 'asd', 'Bcy', 'Baes', 'Bays'),price=c(10,13,2,1,15,1))b<-data.frame(name=c('Ace Co.','Bayes Inc.','asdf'),qty=c(9,99,10))for (i in 1:6){ a$x[i] = agrep(a$name[i], b$name, value = TRUE, max = list(del = 0.2, ins = 0.3, sub = 0.4)) a$Y[i] = agrep(a$name[i], b$name, value = FALSE, max = list(del = 0.2, ins = 0.3, sub = 0.4))}
3 回答
慕田峪7331174
TA貢獻1828條經驗 獲得超13個贊
這是使用該fuzzyjoin包裝的解決方案。它使用類似dplyr語法，并stringdist作為模糊匹配的可能類型之一。
如C8H10N4O2 所建議，stringdistmethod =“ jw”為您的示例創建最佳匹配。
作為建議由dgrtwo，fuzzyjoin的開發商，我用了一個大max_dist，然后使用dplyr::group_by和dplyr::top_n只得到最小距離的最佳匹配。
a <- data.frame(name = c('Ace Co', 'Bayes', 'asd', 'Bcy', 'Baes', 'Bays'),
price = c(10, 13, 2, 1, 15, 1))
b <- data.frame(name = c('Ace Co.', 'Bayes Inc.', 'asdf'),
qty = c(9, 99, 10))
library(fuzzyjoin); library(dplyr);
stringdist_join(a, b,
by = "name",
mode = "left",
ignore_case = FALSE,
method = "jw",
max_dist = 99,
distance_col = "dist") %>%
group_by(name.x) %>%
top_n(1, -dist)
#> # A tibble: 6 x 5
#> # Groups: name.x [6]
#> name.x price name.y qty dist
#> <fctr> <dbl> <fctr> <dbl> <dbl>
#> 1 Ace Co 10 Ace Co. 9 0.04761905
#> 2 Bayes 13 Bayes Inc. 99 0.16666667
#> 3 asd 2 asdf 10 0.08333333
#> 4 Bcy 1 Bayes Inc. 99 0.37777778
#> 5 Baes 15 Bayes Inc. 99 0.20000000
#> 6 Bays 1 Bayes Inc. 99 0.20000000
- 3 回答
- 0 關注
- 1063 瀏覽
添加回答
舉報
0/150
提交
取消