วิธีดำเนินการจับคู่แบบคลุมเครือใน r (พร้อมตัวอย่าง)

บ่อยครั้งที่คุณอาจต้องการรวมข้อมูลสองชุดใน R โดยยึดตามสตริงที่ตรงกันที่ไม่สมบูรณ์ บางครั้งเรียกว่า การจับคู่แบบคลุมเครือ

วิธีที่ง่ายที่สุดในการดำเนินการจับคู่แบบคลุมเครือใน R คือการใช้ฟังก์ชัน stringdist_join() จากแพ็คเกจ fuzzyjoin

ตัวอย่างต่อไปนี้แสดงวิธีใช้ฟังก์ชันนี้ในทางปฏิบัติ

ตัวอย่าง: การจับคู่แบบคลุมเครือใน R

สมมติว่าเรามีกรอบข้อมูลสองกรอบต่อไปนี้ใน R ซึ่งมีข้อมูลเกี่ยวกับทีมบาสเกตบอลต่างๆ:

 #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

ตอนนี้ สมมติว่าเราต้องการ รวมแถวด้านซ้าย โดยที่เราเก็บแถวทั้งหมดจากกรอบข้อมูลแรก และรวมเข้าด้วยกันตามชื่อทีมที่ตรงกับแถวมากที่สุดในกรอบข้อมูลที่สอง

เราสามารถใช้รหัสต่อไปนี้เพื่อทำสิ่งนี้:

 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

ผลลัพธ์ที่ได้คือกรอบข้อมูลที่มีชื่อทีมดั้งเดิมทั้งห้าชื่อจากกรอบข้อมูลแรก รวมถึงทีมที่ตรงกับกรอบข้อมูลที่สองมากที่สุด

หมายเหตุ #1 : เราเลือกใช้การวัดระยะทาง jw สำหรับการจับคู่ นี่เป็นคำย่อของ ระยะทาง Jaro-Winkler ซึ่งเป็นหน่วยเมตริกที่ใช้วัดความแตกต่างระหว่างสองสาย

หมายเหตุ #2: เราใช้ฟังก์ชัน Slice_min() จากแพ็คเกจ dplyr เพื่อแสดงเฉพาะชื่อทีมจากกรอบข้อมูลที่สองที่ตรงกับชื่อทีมจากกรอบข้อมูลแรกมากที่สุด

แหล่งข้อมูลเพิ่มเติม

บทช่วยสอนต่อไปนี้จะอธิบายวิธีดำเนินการงานทั่วไปอื่นๆ ใน R:

วิธีผสานหลายเฟรมข้อมูลใน R
วิธีผสานเฟรมข้อมูลตามหลายคอลัมน์ใน R