R でファジーマッチングを実行する方法 (例あり)
多くの場合、不完全に一致する文字列に基づいて R の 2 つのデータ セットを結合したい場合があります。これは、ファジーマッチングと呼ばれることもあります。
R でファジー マッチングを実行する最も簡単な方法は、 fuzzyjoinパッケージのstringdist_join()関数を使用することです。
次の例は、この関数を実際に使用する方法を示しています。
例: R でのファジーマッチング
R に、さまざまなバスケットボール チームに関する情報を含む次の 2 つのデータ フレームがあるとします。
#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
ここで、最初のデータ フレームのすべての行を保持し、2 番目のデータ フレームで最も一致するチーム名に基づいてそれらを単純にマージする左結合を実行するとします。
これを行うには、次のコードを使用できます。
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
結果は、最初のデータ フレームの元の 5 つのチーム名それぞれと、2 番目のデータ フレームに最もよく一致するチームを含むデータ フレームになります。
注 #1 : マッチングにはjw距離メトリックを使用することを選択します。これは、2 つの文字列間の差を測定する指標であるJaro-Winkler distanceの略です。
注 #2: dplyr パッケージのスライス_min()関数を使用して、最初のデータ フレームのチーム名に最もよく一致する 2 番目のデータ フレームのチーム名のみを表示しました。
追加リソース
次のチュートリアルでは、R で他の一般的なタスクを実行する方法について説明します。