两个数据库的模糊匹配和精确匹配

Question

我有两个数据库。第一个有大约 70k 行和 3 列。第二个有 790k 行 2 列。两个数据库都有一个公共变量grantee_name。我想根据grantee_name 将第一个数据库的每一行与第二个数据库的一个或多个行进行匹配。请注意，merge 将不起作用，因为 grantee_name 不完全匹配。有不同的拼写等。所以，我正在使用fuzzyjoin 包并尝试以下操作：

library("haven"); library("fuzzyjoin"); library("dplyr")
forfuzzy<-read_dta("/path/forfuzzy.dta")
filings <- read_dta ("/path/filings.dta")
> head(forfuzzy)
# A tibble: 6 x 3
  grantee_name                 grantee_city grantee_state
  <chr>                        <chr>        <chr>        
1 (ICS)2 MAINE CHAPTER         CLEARWATER   FL           
2 (SUFFOLK COUNTY) VANDERBILT~ CENTERPORT   NY           
3 1 VOICE TREKKING A FUND OF ~ WESTMINSTER  MD           
4 10 CAN                       NEWBERRY     FL           
5 10 THOUSAND WINDOWS          LIVERMORE    CA           
6 100 BLACK MEN IN CHICAGO INC CHICAGO      IL   
... 7 - 70000 rows to go

> head(filings)
# A tibble: 6 x 2
  grantee_name                       ein 
  <chr>                             <dbl>               
1 ICS-2 MAINE CHAPTER              123456             
2 SUFFOLK COUNTY VANDERBILT        654321            
3 VOICE TREKKING A FUND OF VOICES  789456            
4 10 CAN                           654987               
5 10 THOUSAND MUSKETEERS INC       789123               
6 100 BLACK MEN IN HOUSTON INC     987321      

rows 7-790000 omitted for brevity

上面的例子很清楚，可以提供一些好的匹配和一些不太好的匹配。请注意，例如，10 THOUSAND WINDOWS 将与 10 THOUSAND MUSKETEERS INC 匹配得最好，但这并不意味着它是一个很好的匹配。 filings 数据中的某处会有更好的匹配（上面未显示）。在这个阶段这无关紧要。

所以，我尝试了以下方法：

df<-as.data.frame(stringdist_inner_join(forfuzzy, filings, by="grantee_name", method="jw", p=0.1, max_dist=0.1, distance_col="distance"))

对 R 来说是全新的。这会导致错误： cannot allocate vector of size 375GB（当然是大数据库）。来自forfuzzy 的 100 行样本始终有效。因此，我想到了一次迭代 100 行的列表。

我尝试了以下方法：

n=100
lst = split(forfuzzy, cumsum((1:nrow(forfuzzy)-1)%%n==0))

df<-as.data.frame(lapply(lst, function(df_)
{
(stringdist_inner_join(df_, filings, by="grantee_name", method="jw", p=0.1, max_dist=0.1, distance_col="distance", nthread = getOption("sd_num_thread")))
}
)%>% bind_rows)

我也尝试过使用mclapply 而不是lapply 进行上述操作。即使我尝试了设置 3 个 CPU 的高性能集群，每个 CPU 有 480G 内存并使用 mclapply 和选项 mc.cores=3，也会发生同样的错误。也许foreach 命令会有所帮助，但我不知道如何实现它。

有人建议我使用 purrr 和 repurrrsive 包，所以我尝试以下方法：

purrr::map(lst, ~stringdist_inner_join(., filings, by="grantee_name", method="jw", p=0.1, max_dist=0.1, distance_col="distance", nthread = getOption("sd_num_thread")))

在by=grantee_name 语句中出现新手错误之后，这似乎有效。但是，它需要很长时间，我不确定它是否会起作用。 forfuzzy 中的 100 行示例列表，n=10（因此 10 个列表，每个列表 10 行）已经运行了 50 分钟，仍然没有结果。

Answer 1

我之前没有使用过foreach，但也许变量x已经是zz1的各个行？

你试过了吗：

stringdist_inner_join(x, zz2, by="grantee_name", method="jw", p=0.1, max_dist=0.1, distance_col="distance")

?

Answer 2

如果您将 uniquegrantees 数据框拆分（使用 base::split 或 dplyr::group_split）为数据框列表，则可以在列表中调用 purrr::map。 （map 几乎是lapply）

purrr::map(list_of_dfs, ~stringdist_inner_join(., filings, by="grantee_name", method="jw", p=0.1, max_dist=0.1, distance_col="distance"))

您的结果将是一个数据框列表，每个数据框都与文件模糊连接。然后您可以调用bind_rows（或者您可以调用map_dfr）再次在同一数据框中获取所有结果。

见R - Splitting a large dataframe into several smaller dateframes, performing fuzzyjoin on each one and outputting to a single dataframe