按相似列合并 - R [重复]答案

【问题标题】：Merge by similar columns - R [duplicate]按相似列合并 - R [重复]
【发布时间】：2019-10-10 17:16:04
【问题描述】：

这是一个非常模糊的问题，但我想知道 R 中是否有某种函数或包可以合并或识别两列或多列中相似/相同的观察结果（甚至可能评估每个观察结果彼此之间的相似程度） .我有两个凌乱的数据集，其中一些列具有一些唯一标识符，但两者之间有很多拼写或小的差异。例如，您有一个这样的列：

c1 <- c("ELIZA 2A", "aaab", "Unique New York", "I slith the Sheeth", "fdasa", "Yellow leather")

c2<- c("ELIZA", "fjdkaldjlk", "Unique NY", "Slith Sheeth", "Y. Leather")

在这种情况下，c1 中的第 1、3、4 和 6 个元素与 c2 中的第 1、3、4、5 个元素相似。我想要某种函数或算法来显示它，也许显示它们有多相似，然后通过 c1 或 c2 合并它们。这些数据集有超过 15,000 个观察值，行更杂乱，但这只是一个例子。我希望这是有道理的。

感谢您的帮助！

【问题讨论】：

这种事情总是很棘手。看看基础 R 中的 adist 和 stringdist 包。

标签： r function merge

【解决方案1】：

我们可以使用fuzzyjoin

library(fuzzyjoin)
stringdist_inner_join(df1, df2, by = c("c1" = "c2"))

在CMET中注明的@gersht，选择method和max_dist @ @ optionation进行加入

【讨论】：

这不起作用，或者根本不起作用，除非您还使用method 和max_dist。设置method = "cosine" 和max_dist = .33 返回完美连接。
感谢您提供这个软件包，有趣的是，我实际上是为了临床数据而这样做的。但是，当我尝试使用我的示例时，它给了我一个空数据框：/
@Mr.Biggums 阅读我的评论以使事情正常进行。 Akrun 可能会在他/她有机会时进行编辑。
@gersht 没错。在您发表评论之前，我正在考虑更新。但是，我认为 OP 只显示假数据
@Mr.Biggums 是的，没错，因为它是基于距离的，有时通过调整这些参数会改变你得到的输出