通过 stringmatch 与 dplyr 和 stringdist 合并两个数据帧答案

【问题标题】：Merging two dataframes by stringmatch with dplyr and stringdist通过 stringmatch 与 dplyr 和 stringdist 合并两个数据帧
【发布时间】：2019-05-02 20:22:33
【问题描述】：

我正在尝试基于非常相似的语言对两个数据帧进行 dplyr 左连接（这不准确）。

DF1：

title | records
Bob's show, part 1 | 42
Time for dinner | 77
Horsecrap | 121

DF2：

showname | counts
Bob's show part 1 | 772
Dinner time | 89
No way Jose | 123

我执行此操作以使用 stringdist 包/库将字符串距离作为向量获取：

titlematch <- amatch(df1$title,df2$showname)

向量看起来像……嗯，一个整数向量：

titlematch
1
2
NA

通常，如果我有完全匹配，我会这样做：

blended <- left_join(df1, df2, by = c("title" = "showname"))

如何使用向量作为记录选择器进行左连接，以便最终结果为：

title | records | showname | counts
Bob's show, part 1 | 42 | Bob's show part 1 | 772
Time for dinner | 77 | Dinner time | 89

排除第三个不匹配项，因为向量中没有可能的匹配项 (NA)。

【问题讨论】：

您可以使用 tidyr::crossing() 制作笛卡尔积，然后对其进行过滤 - 如果数据集很大，则成本很高
你看过fuzzyjoin吗？

标签： r dplyr stringdist

【解决方案1】：

这是一个镜头，

library(stringdist)
library(tidyverse)

df1 %>%
  as_tibble() %>%
  mutate(temp = amatch(title, df2$showname, maxDist = 10)) %>%
  bind_cols(df2[.$temp, ]) %>%
  select(-temp)

# A tibble: 3 x 4
  title              records showname          counts
  <chr>                <int> <chr>              <int>
1 Bob's show, part 1      42 Bob's show part 1    772
2 Time for dinner         77 Dinner time           89
3 Horsecrap              121 Dinner time           89

我无法重现你的数字匹配向量，amatch(df1$title, df2$showname) 给了我[1] NA NA NA，因为它看起来默认是 0.1，所以我将 maxDist 设置为 10。

最后，您可以随时添加 %>% filter(is.na(showname)) 以删除任何不匹配的行。

数据

df1 <- structure(list(title = c("Bob's show, part 1", "Time for dinner", 
"Horsecrap"), records = c(42L, 77L, 121L)), .Names = c("title", 
"records"), row.names = c(NA, -3L), class = "data.frame")

df2 <- structure(list(showname = c("Bob's show part 1", "Dinner time", 
"No way Jose"), counts = c(772L, 89L, 123L)), .Names = c("showname", 
"counts"), row.names = c(NA, -3L), class = "data.frame")

【讨论】：

【解决方案2】：

camille suggested in a comment:

你看过fuzzyjoin吗？

我以前从未听说过fuzzyjoin，但我尝试过并喜欢它。 stringdist_left_join 正是我所需要的。

【讨论】：