Jak wykonać dopasowanie rozmyte w r (z przykładem)

Często możesz chcieć połączyć dwa zestawy danych w R w oparciu o niedokładnie pasujące ciągi. Nazywa się to czasami dopasowaniem rozmytym .

Najłatwiejszym sposobem przeprowadzenia dopasowywania rozmytego w R jest użycie funkcji stringdist_join() z pakietu fuzzyjoin .

Poniższy przykład pokazuje, jak w praktyce wykorzystać tę funkcję.

Przykład: dopasowanie rozmyte w R

Załóżmy, że w R mamy dwie ramki danych zawierające informacje o różnych drużynach koszykówki:

 #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

Załóżmy teraz, że chcemy wykonać lewe złączenie , w którym zachowamy wszystkie wiersze z pierwszej ramki danych i po prostu połączymy je w oparciu o nazwę zespołu, która najbardziej pasuje do drugiej ramki danych.

Możemy w tym celu użyć następującego kodu:

 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

Rezultatem jest ramka danych zawierająca każdą z pięciu oryginalnych nazw zespołów z pierwszej ramki danych, a także zespół, który najbardziej pasuje do drugiej ramki danych.

Uwaga nr 1 : Do dopasowywania wybieramy metrykę odległości jw . Jest to skrót od odległości Jaro-Winklera , która jest metryką mierzącą różnicę między dwoma ciągami znaków.

Uwaga nr 2: Użyliśmy funkcji plaster_min() z pakietu dplyr, aby wyświetlić tylko nazwę zespołu z drugiej ramki danych, która najbardziej odpowiada nazwie zespołu z pierwszej ramki danych.

Dodatkowe zasoby

Poniższe samouczki wyjaśniają, jak wykonywać inne typowe zadania w języku R:

Jak połączyć wiele ramek danych w R
Jak scalić ramki danych na podstawie wielu kolumn w R