假设我有一个这样的数据集：
我需要检查可能的重复项。在这里，第 2 行和第 3 行是可疑的重复项。我知道字符串距离方法以及数字变量的近似匹配。但是这两种方法是否结合在一起？最终，我正在寻找一种可以在 R 中实现的方法。
【问题讨论】：
freq 完全匹配。
标签： r join duplicates fuzzy-comparison record-linkage
我认为没有直接的方法可以解决这个问题。您可以分别对待每一列：datetime 为时间戳接近度，string 为字符串接近度（Levenshtein 距离），freq 为数字距离。然后，您可以以递增的方式单独对每一列的每一行进行排名。在所有三个指标中排名靠前的行号（最小差异）是更好的重复候选者。然后，您可以选择考虑重复案例的阈值。
【讨论】：
fuzzyjoin 的东西，允许根据变量混合字符串距离和数字距离。
as.numeric(datetime)
POSIXlt 表示法并使用difftime 函数，如difftime(time1,time2, units="sec")，它将返回以秒为单位的时差。 edit 我看到as.numeric() 将时间转换为秒，从而返回相同的结果。不过，使用POSIXit，您可以选择输出为分钟、小时...