Come eseguire la corrispondenza fuzzy in r (con esempio)

Spesso potresti voler unire due set di dati in R in base a stringhe che corrispondono in modo imperfetto. Questo a volte viene chiamato corrispondenza fuzzy .

Il modo più semplice per eseguire la corrispondenza fuzzy in R è utilizzare la funzione stringdist_join() dal pacchetto fuzzyjoin .

L’esempio seguente mostra come utilizzare questa funzione nella pratica.

Esempio: corrispondenza fuzzy in R

Supponiamo di avere i seguenti due frame di dati in R che contengono informazioni su varie squadre di basket:

 #create data frames
df1 <- data. frame (team=c('Mavericks', 'Nets', 'Warriors', 'Heat', 'Lakers'),
                  points=c(99, 90, 104, 117, 100))
df2 <- data. frame (team=c('Mavricks', 'Warrors', 'Heat', 'Netts', 'Kings', 'Lakes'),
                  assists=c(22, 29, 17, 40, 32, 30))

#view data frames
print (df1)

       team points
1 Mavericks 99
2 Nets 90
3 Warriors 104
4 Heat 117
5 Lakers 100

print (df2)

      team assists
1 Mavricks 22
2 Warriors 29
3 Heat 17
4 Netts 40
5 Kings 32
6 Lakes 30

Ora supponiamo di voler eseguire un left join in cui manteniamo tutte le righe del primo frame di dati e le uniamo semplicemente in base al nome della squadra che corrisponde di più nel secondo frame di dati.

Possiamo usare il seguente codice per fare questo:

 library (fuzzyjoin)
library (dplyr)

#perform fuzzy matching left join
stringdist_join(df1, df2, 
                by=' team ', #match based on team
                mode=' left ', #use left join
                method = " jw ", #use jw distance metric
                max_dist=99, 
                distance_col=' dist ') %>%
  group_by(team.x) %>%
  slice_min(order_by=dist, n= 1 )

# A tibble: 5 x 5
# Groups: team.x [5]
  team.x points team.y assists dist
                 
1 Heat 117 Heat 17 0     
2 Lakers 100 Lakes 30 0.0556
3 Mavericks 99 Mavricks 22 0.0370
4 Nets 90 Nets 40 0.0667
5 Warriors 104 Warriors 29 0.0417

Il risultato è un frame di dati contenente ciascuno dei cinque nomi di squadra originali del primo frame di dati, nonché la squadra che corrisponde maggiormente al secondo frame di dati.

Nota n. 1 : scegliamo di utilizzare la metrica della distanza jw per la corrispondenza. Questo è l’abbreviazione di distanza Jaro-Winkler , che è una metrica che misura la differenza tra due stringhe.

Nota n.2: abbiamo utilizzato la funzione slice_min() del pacchetto dplyr per visualizzare solo il nome della squadra del secondo frame di dati che corrispondeva maggiormente al nome della squadra del primo frame di dati.

Risorse addizionali

I seguenti tutorial spiegano come eseguire altre attività comuni in R:

Come unire più frame di dati in R
Come unire frame di dati basati su più colonne in R