使用模糊匹配替换数据框列中的重复值答案

【问题标题】：Replace duplicate values from dataframe column using fuzzy match使用模糊匹配替换数据框列中的重复值
【发布时间】：2015-11-02 22:15:44
【问题描述】：

我正在尝试使用 library('RecordLinkage') 和 compare.dedup() 函数来替换单个列中的重复值。

和这个post类似，我有一个向量

tv3 = c("TOURDEFRANCE", 'TOURDEFRANCE', "TOURDE FRANCE", "TOURDE FRANZ", "GET FRESH")

我想要的输出如下，基于设定的权重值（例如 > 0.8）：

("TOURDEFRANCE", 'TOURDEFRANCE', "TOURDEFRANCE", "TOURDEFRANCE", "GET FRESH")

这是我尝试获取匹配数据框的代码：

tv3 = as.data.frame(c("TOURDEFRANCE", 'TOURDEFRANCE', "TOURDE FRANCE", 
                  "TOURDE FRANZ", "GET FRESH"))
colnames(tv3) <- "name"
tv3 %>% compare.dedup(strcmp = TRUE) %>%
    epiWeights() %>%
    epiClassify(0.8) %>%
    getPairs(show = "links", single.rows = TRUE) -> matches

但是为了得到我需要的东西，我使用了下面的循环：

matches <- matches[order(matches$id1),] 
tv3new <- tv3
for (i in 1:nrow(matches)) {
  tv3new[tv3new$name==matches[i,'name.2'],] <- matches[i,'name.1']
} 
tv3new

这给了我想要的东西，但想知道使用循环是否是最好的方法，或者我是否遗漏了一些明显的东西。

【问题讨论】：

标签： r fuzzy-search data-cleaning

【解决方案1】：

没有循环：

tv3new <- c(as.character(matches[tv3$name %in% matches$name.2*1, 2]), 
          as.character(tv3[!tv3$name %in% matches$name.2, ]))
# If we need a data frame
data.frame(name = tv3new)

输出：

          name
1 TOURDEFRANCE
2 TOURDEFRANCE
3 TOURDEFRANCE
4 TOURDEFRANCE
5    GET FRESH

【讨论】：