Так что мой вопрос практически такой же, как вопрос Люнгбакра , в котором у меня есть два очень больших набора данных, и мне нужно объединить их с помощью точных совпадений в одних столбцах и нечетких совпадений в других. Я хочу, чтобы совпадения были точными в столбце даты рождения DOB
и гендерном столбце gender
, но я хочу, чтобы они были "похожими" в столбце names
.
Под "похожим" я хочу иметь возможность использовать определенный c набор критериев, таких как:
- расстояние OSA <= 2 & расстояние JW <= 0,2 & .. . </li>
Однако, если это невозможно, просто требование расстояния OSA <= 2 будет большим шагом в правильном направлении. </p>
, когда я попытался запустить ответ из Лингбакра * Я по своим собственным данным получаю ошибку:
Error in bmerge(i, x, leftcols, rightcols, roll, rollends, nomatch, mult, :
roll='nearest' can't be applied to a character column, yet.
Вот как я пытался реализовать Лингбакра ответ:
# copy left data
df <- base
# rename columns
names(df)[c(1, 3)] <- c("ID", "loc")
# copy right data
df_alt <- name_unique
# rename columns
names(df_alt)[c(1, 3)] <- c("ID", "loc")
# implement Lyngbakr's answer with stringdist() instead of abs()
df_alt[df
, on = .(ID, loc)
, roll = "nearest"
, .(ID, loc.x = i.loc, loc.y = x.loc, value, delta = stringdist(i.loc, x.loc))]
Итак, в здесь я просто пытаюсь выполнить левое соединение, используя точное совпадение для DOB
и нечеткое совпадение для names
, которое я переименовал как ID
и loc
для обоих наборов данных соответственно.
Данные
Вот небольшой пример моих данных:
library(data.table)
library(tidyverse)
base <- data.table(DOB = c("1956-01-01", "1994-05-13", "2001-07-03",
"1998-04-02", "1991-05-28", "2001-09-15",
"1999-04-05", "2001-04-10", "1996-01-14",
"2000-01-19") %>% as.Date,
gender = c("F", "F", "M", "F", "M", "F", "M", "F",
"F", "F"),
names = c("Regina_Douglas", "Tamar_Hurley", "John_Moreno",
"Josephine_Bone_O' Brian", "Borys_Holland",
"Tonisha_Moran", "Jarrad_Kaur", "Abbi_Kane",
"Leslie_Davis", "Blossom_Povey"),
row = 1:10)
name_unique <-
data.table(s_DOB = c("1941-01-09", "1976-09-22", "1996-08-07",
"1993-09-24", "1991-05-28", "2001-09-15",
"1969-03-21", "1939-06-25", "1996-01-14",
"1978-07-27") %>% as.Date,
s_gen = c("M", "M", "F", "M", "M", "F", "M", "F", "F",
"F"),
s_name = c("Brandon_Hampton", "John_Moreno", "Sally_Kemper",
"Nickolas_Bolden", "Boris_Holland", "Tonisha_Morann",
"Bryant_Lopez", "Kathryn_Krebs", "Lesli_David",
"Kelley__Owens"),
s_identif = c(178, 184, 136, 188, 198, 133, 197,
143, 200, 132))
Требуемый вывод выглядит следующим образом:
DOB gender names row s_identif
1956-01-01 F Regina_Douglas 1 NA
1994-05-13 F Tamar_Hurley 2 NA
2001-07-03 M John_Moreno 3 NA
1998-04-02 F Josephine_Bone_O' Brian 4 NA
1991-05-28 M Borys_Holland 5 198
2001-09-15 F Tonisha_Moran 6 133
1999-04-05 M Jarrad_Kaur 7 NA
2001-04-10 F Abbi_Kane 8 NA
1996-01-14 F Leslie_Davis 9 200
2000-01-19 F Blossom_Povey 10 NA
Я также пытался использовать функция chameau13 , но не удалось правильно ее реализовать, и поскольку у функции нет документации, я не знаю, как ее использовать. Как он упоминает в посте, функции fuzzy_join()
и fuzzy_left_join()
не очень эффективны и требуют более 100 ТБ ОЗУ для работы с полными наборами данных. Следовательно, необходимо другое решение.