Как я могу объединить данные, используя нечеткое совпадение в R? - PullRequest
Новая
       20

Как я могу объединить данные, используя нечеткое совпадение в R?

1 голос
/ 05 июля 2019

У меня есть некоторые данные о субъекте и лицензии, и я хотел бы создать столбец, в котором будет указано, является ли лицензия подходящей для указанного субъекта.Дополнительная проблема заключается в том, что некоторые учителя преподают несколько предметов, разделенных точками с запятой, и для каждой лицензии есть несколько приемлемых предметов.

Я думаю, что мне нужно включить что-то вроде grep, но я не совсем уверен, как добавить эту функцию при объединении данных из двух таблиц.

Пример кода

Ниже приведен фрагмент моего фрейма данных: 

df1 <- data.frame(Subject = c("Spanish Language Arts; I teach all subjects for my students", 
"Math; Science", "Mathematics; ELA", "ELA", "Science;Math;English Language Arts", 
"Spanish Language Arts; I teach all subjects for my students",
 "Math", "Science;Social Studies;Mathematics;English Language Arts", "ELA", 
"English Language Arts"), 
Licensure = c("Content Area - Early Childhood (preK-Grade 3)", 
"Core Subjects (Grades EC-6) 1770", "Mathematics (Grades 7-12) 1706", 
"English Language Arts and Reading (Grades 7-12) 1709", "Core Subjects (Grades EC-6) 1770", 
"English Language Arts and Reading (Grades 7-12) 1709", 
"English Language Arts and Reading (Grades 7-12) 1709", 
"Content Area - Elementary Education (Grades 1-6)", 
"Mathematics (Grades 7-12) 1706", "Content Area - Elementary Education (Grades 1-6)"))

Вот список, который я создал и который включает все лицензии сПодходящие программы под каждой: 

lic.subject_index <- list(
  "Content Area - Early Childhood (preK-Grade 3)" = c("I teach all subjects for my students", "Math", "Mathematics", "ELA", "English Language Arts", "Language Arts"),
  "Content Area - Elementary Education (Grades 1-6)" = c("I teach all subjects for my students", "Math", "Mathematics", "ELA", "English Language Arts", "Language Arts"),
  "Core Subjects (Grades EC-6) 1770" = c("I teach all subjects for my students", "Math", "Mathematics", "ELA", "English Language Arts", "Language Arts"),
  "English Language Arts and Reading (Grades 7-12) 1709" = c("ELA", "English Language Arts", "Language Arts"),
  "Mathematics (Grades 7-12) 1706" = c("Math", "Mathematics")
)

Я хотел бы создать столбец, в котором будет указано, является ли комбинация субъект / лицензия приемлемой или нет: 

ideal.df <- data.frame(Subject = c("Spanish Language Arts; I teach all subjects for my students", 
"Math; Science", "Mathematics; ELA", "ELA", "Science;Math;English Language Arts", 
"Spanish Language Arts; I teach all subjects for my students", "Math", 
"Science;Social Studies;Mathematics;English Language Arts", "ELA", "English Language Arts"), 
Licensure = c("Content Area - Early Childhood (preK-Grade 3)", "Core Subjects (Grades EC-6) 1770", 
"Mathematics (Grades 7-12) 1706", "English Language Arts and Reading (Grades 7-12) 1709", 
"Core Subjects (Grades EC-6) 1770", "English Language Arts and Reading (Grades 7-12) 1709", 
"English Language Arts and Reading (Grades 7-12) 1709", "Content Area - Elementary Education (Grades 1-6)", 
"Mathematics (Grades 7-12) 1706", "Content Area - Elementary Education (Grades 1-6)"), 
flag = c("True", "True", "True", "True", "True", "False", "False", "True", "False", "True"))

Заранее благодарю за любую помощь, которую вы можете оказать!

1 Ответ

4 голосов
/ 05 июля 2019

Вот вариант с tidyverse и fuzzyjoin

library(fuzzyjoin)
library(tidyverse)
out <- df1 %>%
       rownames_to_column('rn') %>% 
       separate_rows(Subject, sep = ';') %>% 
       stringdist_left_join(
         enframe(lic.subject_index, name = 'Licensure', value = 'Subject') %>% 
              unnest) %>% 
       group_by(rn = as.integer(rn)) %>%
       summarise(ind = any(!is.na(Licensure.y))) %>%
       ungroup %>% 
       pull(ind) %>% 
       mutate(df1, flag = .)
out$flag
#[1]  TRUE  TRUE  TRUE  TRUE  TRUE FALSE FALSE  TRUE FALSE  TRUE

, проверяющий идеальный выход OP '

as.logical(ideal.df$flag)
#[1]  TRUE  TRUE  TRUE  TRUE  TRUE FALSE FALSE  TRUE FALSE  TRUE
...