如何使用 R 的 RecordLinkage 包查找记录匹配项？答案

【问题标题】：How to Find Record Matches Using R's RecordLinkage package?如何使用 R 的 RecordLinkage 包查找记录匹配项？
【发布时间】：2016-06-02 10:52:29
【问题描述】：

对于数据链接，尤其是 R RecordLinkage package，我比较陌生。我有如下数据：

require(RecordLinkage)
library(RCurl)

dss_member <- read.csv(text = getURL("https://raw.githubusercontent.com/kilimba/data/master/dss_member.csv"),
                       stringsAsFactors = F)
dss_member$id <- NULL
patient <- read.csv(text = getURL("https://raw.githubusercontent.com/kilimba/data/master/patient.csv"),
                    stringsAsFactors = F)
patient$id <- NULL

rpairs <- compare.linkage(patient,dss_member)

rpairs$pairs

rpairs <- epiWeights(rpairs) 

summary(rpairs)

如您所见，我有两个数据框，dss_member（11 行）和patient（5 行）。我在其中插入了一行应该理论上肯定是一个链接，用户 James Earl Jones。但是我有两个担忧。

rpairs$pairs 行导致输出，其中最后一列 is_match 始终显示为 NA，即使我确信两个数据集中至少有一行相同。这是什么意思？这与another SO question 有关，尚未得到答复。
线条

rpairs <- epiWeights(rpairs)

summary(rpairs)

给出如下结果：

Linkage Data Set

5 records in data set 1 
11 records in data set 2 
55 record pairs 

0 matches
0 non-matches
55 pairs with unknown status


Weight distribution:

  [0,0.2] (0.2,0.4] (0.4,0.6] (0.6,0.8]   (0.8,1] 
       47         1         3         2         2

(a) 为什么它显示 0 个匹配项和 0 个不匹配项，而肯定至少匹配（詹姆斯厄尔琼斯）

(b) 函数compare.linkage() 中的identity 参数是可选的吗？如果是这样，当你把它放在外面和放进去时会发生什么？

亲切的问候，图马尼

【问题讨论】：

标签： r duplicates record linkage data-linking

【解决方案1】：

图迈尼，

您需要区分真实状态（假或真）和分类（非链接、可能或链接）。请参阅 R Journal 2/2 (2010) 中的作者文章、软件包手册以及作者在此处的回复：R RecordLinkage Identity。

直接回答您的问题：

(a) 输出显示“0 个匹配”和“0 个不匹配”，因为您在 compare.linkage() 中省略了 identity1 和 identity2 参数。

(b) 是的， compare.linkage() 中的 identity1 和 identity2 参数是可选的。如果省略身份参数，则忽略真正的匹配状态。如果您正确指定了标识参数，则使用真正的匹配状态。

您可能想尝试以下四步解决方案：

1) 运行 compare.linkage 没有身份参数。

2) 从记录对中创建两个身份变量。

3) 将两个恒等变量转换为恒等向量。

4) 再次运行 compare.linkage 但 with 身份参数。

安德斯·亚历山大森 andersalex@gmail.com

【讨论】：