Question

我一直致力于根据不完美的字符串（例如公司名称）加入两个数据集。在过去，我必须匹配两个非常脏的列表，一个列表有名称和财务信息，另一个列表有名称和地址。没有唯一的ID匹配！ 认为清洁已经应用，可能有类型和插入。

到目前为止，AGREP是我发现可能有效的最接近的工具。我可以在AGREP包中使用levenshtein距离，它测量两个字符串之间的删除，插入和替换的数量。 AGREP将返回距离最小（最相似）的字符串。

但是，我一直无法从单个值转换此命令以将其应用于整个数据帧。我粗略地使用for循环来重复AGREP功能，但是这样做会更容易。

请参阅以下代码：

a<-data.frame(name=c('Ace Co','Bayes', 'asd', 'Bcy', 'Baes', 'Bays'),price=c(10,13,2,1,15,1))
b<-data.frame(name=c('Ace Co.','Bayes Inc.','asdf'),qty=c(9,99,10))

for (i in 1:6){
    a$x[i] = agrep(a$name[i], b$name, value = TRUE, max = list(del = 0.2, ins = 0.3, sub = 0.4))
    a$Y[i] = agrep(a$name[i], b$name, value = FALSE, max = list(del = 0.2, ins = 0.3, sub = 0.4))
}

Answer 1

解决方案取决于匹配a到b的所需基数。如果它是一对一的，你将得到上面三个最接近的匹配。如果它是多对一的，你将获得六个。

一对一案例（需要分配算法）：

当我不得不这样做之前，我把它当作一个带有距离矩阵和赋值启发式（下面使用的贪婪赋值）的赋值问题。如果您想要“最佳”解决方案，最好使用optim。

不熟悉AGREP，但这里是使用stringdist作为距离矩阵的示例。

library(stringdist)
d <- expand.grid(a$name,b$name) # Distance matrix in long form
names(d) <- c("a_name","b_name")
d$dist <- stringdist(d$a_name,d$b_name, method="jw") # String edit distance (use your favorite function here)

# Greedy assignment heuristic (Your favorite heuristic here)
greedyAssign <- function(a,b,d){
  x <- numeric(length(a)) # assgn variable: 0 for unassigned but assignable, 
  # 1 for already assigned, -1 for unassigned and unassignable
  while(any(x==0)){
    min_d <- min(d[x==0]) # identify closest pair, arbitrarily selecting 1st if multiple pairs
    a_sel <- a[d==min_d & x==0][1] 
    b_sel <- b[d==min_d & a == a_sel & x==0][1] 
    x[a==a_sel & b == b_sel] <- 1
    x[x==0 & (a==a_sel|b==b_sel)] <- -1
  }
  cbind(a=a[x==1],b=b[x==1],d=d[x==1])
}
data.frame(greedyAssign(as.character(d$a_name),as.character(d$b_name),d$dist))

产生作业：

       a          b       d
1 Ace Co    Ace Co. 0.04762
2  Bayes Bayes Inc. 0.16667
3    asd       asdf 0.08333

我确信有一种更优雅的方式来做贪婪的任务启发式，但上面的方法对我有用。

多对一案例（不是分配问题）：

do.call(rbind, unname(by(d, d$a_name, function(x) x[x$dist == min(x$dist),])))

产生结果：

   a_name     b_name    dist
1  Ace Co    Ace Co. 0.04762
11   Baes Bayes Inc. 0.20000
8   Bayes Bayes Inc. 0.16667
12   Bays Bayes Inc. 0.20000
10    Bcy Bayes Inc. 0.37778
15    asd       asdf 0.08333

修改：使用method="jw"生成所需的结果。见help("stringdist-package")

Answer 2

以下是使用fuzzyjoin包的解决方案。它使用dplyr - 类似语法和stringdist作为模糊匹配的可能类型之一。

C8H10N4O2为suggested，stringdist方法=＆＃34; jw＆＃34;为您的示例创建最佳匹配。

作为模糊连接的开发者dgrtwo的suggested，我使用了大的max_dist，然后使用dplyr::group_by和dplyr::top_n来获得最小距离的最佳匹配。

a <- data.frame(name = c('Ace Co', 'Bayes', 'asd', 'Bcy', 'Baes', 'Bays'),
                price = c(10, 13, 2, 1, 15, 1))
b <- data.frame(name = c('Ace Co.', 'Bayes Inc.', 'asdf'),
                qty = c(9, 99, 10))

library(fuzzyjoin); library(dplyr);

stringdist_join(a, b, 
                by = "name",
                mode = "left",
                ignore_case = FALSE, 
                method = "jw", 
                max_dist = 99, 
                distance_col = "dist") %>%
  group_by(name.x) %>%
  top_n(1, -dist)

#> # A tibble: 6 x 5
#> # Groups:   name.x [6]
#>   name.x price     name.y   qty       dist
#>   <fctr> <dbl>     <fctr> <dbl>      <dbl>
#> 1 Ace Co    10    Ace Co.     9 0.04761905
#> 2  Bayes    13 Bayes Inc.    99 0.16666667
#> 3    asd     2       asdf    10 0.08333333
#> 4    Bcy     1 Bayes Inc.    99 0.37777778
#> 5   Baes    15 Bayes Inc.    99 0.20000000
#> 6   Bays     1 Bayes Inc.    99 0.20000000

Answer 3

我不确定这对你来说是否是一个有用的方向，约翰安德鲁斯，但它为你提供了另一个工具（来自RecordLinkage包），可能会有帮助。

install.packages("ipred")
install.packages("evd")
install.packages("RSQLite")
install.packages("ff")
install.packages("ffbase")
install.packages("ada")
install.packages("~/RecordLinkage_0.4-1.tar.gz", repos = NULL, type = "source")

require(RecordLinkage) # it is not on CRAN so you must load source from Github, and there are 7 dependent packages, as per above

compareJW <- function(string, vec, cutoff) {
  require(RecordLinkage)
  jarowinkler(string, vec) > cutoff
}

a<-data.frame(name=c('Ace Co','Bayes', 'asd', 'Bcy', 'Baes', 'Bays'),price=c(10,13,2,1,15,1))
b<-data.frame(name=c('Ace Co.','Bayes Inc.','asdf'),qty=c(9,99,10))
a$name <- as.character(a$name)
b$name <- as.character(b$name)

test <- compareJW(string = a$name, vec = b$name, cutoff = 0.8)  # pick your level of cutoff, of course
data.frame(name = a$name, price = a$price, test = test)

> data.frame(name = a$name, price = a$price, test = test)
    name price  test
1 Ace Co    10  TRUE
2  Bayes    13  TRUE
3    asd     2  TRUE
4    Bcy     1 FALSE
5   Baes    15  TRUE
6   Bays     1 FALSE

Answer 4

Agreed with above answer "Not familiar with AGREP but here's example using stringdist for your distance matrix." but add-on the signature function as below from Merging Data Sets Based on Partially Matched Data Elements will be more accurate since the calculation of LV is based on position/addition/deletion

##Here's where the algorithm starts...
##I'm going to generate a signature from country names to reduce some of the minor differences between strings
##In this case, convert all characters to lower case, sort the words alphabetically, and then concatenate them with no spaces.
##So for example, United Kingdom would become kingdomunited
##We might also remove stopwords such as 'the' and 'of'.
signature=function(x){
  sig=paste(sort(unlist(strsplit(tolower(x)," "))),collapse='')
  return(sig)
}

Answer 5

我在这些情况下使用?.OS_Process.status：

lapply

然后把它写成csv它不是那么简单：

yournewvector: lapply(yourvector$yourvariable, agrep, yourothervector$yourothervariable, max.distance=0.01),

Answer 6

模糊匹配

Approximate String Matching 近似匹配一个字符串到另一个。例如banana 和 bananas。
Fuzzy Matching 正在寻找字符串中的近似模式。例如banana 内的 bananas in pyjamas。

<头>

	方法	R 实现
基础	Bitap≈Levenshtein	`b$name <- lapply(b$name, agrep, a$name, value=TRUE); merge(a,b)`
高级	`?stringdist::stringdist-metrics`	`fuzzyjoin::stringdist_join(a, b, mode='full', by=c('name'), method='lv')`
模糊匹配	TRE	`agrep2 <- function(pattern, x) x[which.min(adist(pattern, x, partial=TRUE))]; b$name <- lapply(b$name, agrep2, a$name); merge(a, b)`

<块引用>

自己跑

# Data
a <- data.frame(name=c('Ace Co.', 'Bayes Inc.', 'asdf'), qty=c(9,99,10))
b <- data.frame(name=c('Ace Company', 'Bayes', 'asd', 'Bcy', 'Baes', 'Bays'), price=c(10,13,2,1,15,1))

# Basic
c <- b
c$name.b <- c$name
c$name <- lapply(c$name, agrep, a$name, value=TRUE)
merge(a, c, all.x=TRUE)

# Advanced
fuzzyjoin::stringdist_join(a, b, mode='full')

# Fuzzy Match
c <- b
c$name.b <- c$name
c$name <- lapply(c$name, function(pattern, x) x[which.min(adist(pattern, x, partial=TRUE))], a$name)
merge(a, c)

Answer 7

以下是我用于获取公司在列表中出现次数的情况，尽管公司名称是不精确的匹配，

step.1 安装拼音包

step.2 在“mylistofcompanynames”中创建一个名为“soundexcodes”的新列

step.3 使用soundex函数在“soundexcodes”中返回公司名称的soundex代码

step.4 将公司名称和相应的soundex代码复制到名为“companysoundexcodestrainingfile”的新文件（名为“companynames”和“soundexcode”的2列）中

step.5 在“companysoundexcodestrainingfile”中删除重复的soundexcodes

step.6 浏览剩余公司名称列表，并根据您希望在原始公司中显示的名称进行更改

<强> 例如： 亚马逊公司的A625可以是亚马逊A625 埃森哲有限公司A455可以是埃森哲A455

step.6 通过“soundexcodes”在companysysdexcodestrainingfile $ soundexcodes和mylistofcompanynames $ soundexcodes之间执行left_join或（简单vlookup）

step.7 结果应该包含一个名为“co.y”的新列的原始列表，该列的名称与您在培训文件中保留的名称相同。

step.8 对“co.y”进行排序并检查大多数公司名称是否正确匹配，如果是，请将旧公司名称替换为soundex代码的vlookup给出的新公司名称。

如何匹配来自两个数据集的模糊匹配字符串？

7 个答案:

模糊匹配

自己跑