Как выполнить нечеткое сопоставление в r (с примером)

Часто вам может потребоваться объединить два набора данных в R на основе несовершенно совпадающих строк. Иногда это называют нечетким сопоставлением .

Самый простой способ выполнить нечеткое сопоставление в R — использовать функцию stringdist_join() из пакета fuzzyjoin .

В следующем примере показано, как использовать эту функцию на практике.

Пример: нечеткое сопоставление в R

Предположим, у нас есть следующие два фрейма данных в R, которые содержат информацию о различных баскетбольных командах:

 #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

Теперь предположим, что мы хотим выполнить левое соединение , при котором мы сохраняем все строки из первого фрейма данных и просто объединяем их на основе имени команды, которое больше всего соответствует во втором фрейме данных.

Для этого мы можем использовать следующий код:

 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

Результатом является фрейм данных, содержащий каждое из пяти исходных названий команд из первого фрейма данных, а также команду, которая наиболее точно соответствует второму фрейму данных.

Примечание № 1. Для сопоставления мы решили использовать метрику расстояния jw . Это сокращение от расстояния Джаро-Винклера , которое является метрикой, измеряющей разницу между двумя строками.

Примечание №2. Мы использовали функцию среза_min() из пакета dplyr, чтобы отображать только имя команды из второго фрейма данных, которое наиболее точно соответствовало названию команды из первого фрейма данных.

Дополнительные ресурсы

В следующих руководствах объясняется, как выполнять другие распространенные задачи в R:

Как объединить несколько фреймов данных в R
Как объединить фреймы данных на основе нескольких столбцов в R