R：使用 agrep 和 data.table 进行模糊合并

Question

我尝试合并两个 data.table，但由于股票名称的拼写不同，我丢失了大量数据点。因此，我正在研究模糊合并，而不是完全匹配。

library("data.table")
dt1 = data.table(Name = c("ASML HOLDING","ABN AMRO GROUP"), A = c(1,2))
dt2 = data.table(Name = c("ASML HOLDING NV", "ABN AMRO GROUP"), B = c("p", "q"))

在“名称”上合并dt1和dt2时，由于添加了“NV”，ASML HOLDING将被排除在外，而实际数据将是准确的。

首选的最终数据输出如下所示：

              Name A B
1:  ABN AMRO GROUP 2 q
2: ASML HOLDING NV 1 p

接下来我尝试的是：

dt1 = dt1[, dt2_NAME := agrep(dt1$Name, dt2$Name, ignore.case = TRUE, value = TRUE, max.distance = 0.05, useBytes = TRUE)]

但是，我收到以下错误，

参数 'pattern' 的长度 > 1 并且只使用第一个元素

这个错误是有道理的，因为 dt1$Name 比 1 长，但我相信如果它会逐行考虑 dt1$Name，这将是一个可能的解决方案。

这可能是一个愚蠢的错误，但由于某种原因，我无法理解它。此外，我更喜欢使用 data.table，因为我的数据集相当大，到目前为止它工作得非常好。此外，我是堆栈溢出的新手，如果我的问题有些不对劲，请见谅。

最后，我发现了一段代码可以完成这项工作，但对于实际使用来说太慢了。 Fuzzy merge in R

dt1$Name_dt2 <- "" # Creating an empty column
for(i in 1:dim(dt1)[1]) {
  x <- agrep(dt1$Name[i], dt2$Name,
             ignore.case=TRUE, value=TRUE,
             max.distance = 0.05, useBytes = TRUE)
  x <- paste0(x,"")
  dt1$Name_dt2[i] <- x
}

Answer 1

使用 'fuzzyjoin' 的可能解决方案：

library(fuzzyjoin)
f <- Vectorize(function(x,y) agrepl(x, y,
                                   ignore.case=TRUE,
                                   max.distance = 0.05, useBytes = TRUE))

dt1 %>% fuzzy_inner_join(dt2, by="Name", match_fun=f)
#          Name.x A          Name.y B
#1   ASML HOLDING 1 ASML HOLDING NV p
#2 ABN AMRO GROUP 2  ABN AMRO GROUP q

注意：您也遇到的主要问题是 agrep 和 agrepl 似乎不希望第一个参数是向量。这就是我使用Vectorize 结束通话的原因。

此方法可以与等值连接一起使用（注意by! 中的列顺序）：

dt1 = data.frame(Name = c("ASML HOLDING","ABN AMRO GROUP"), A = c(1,2),Date=c(1,2))
dt2 = data.frame(Name = c("ASML HOLDING NV", "ABN AMRO GROUP", "ABN AMRO GROUP"), B = c("p", "q","r"),Date=c(1,2,3))

dt1 %>% fuzzy_inner_join(dt2, by=c("Date","Name"), match_fun=f) %>% filter(Date.x==Date.y)