R - 基於不一致全名格式的部分匹配合並兩個數據文件

Question

這是我以前用R格式轉發的問題。

我正在尋找一種合併兩個數據文件的方法，它基於部分匹配的參與者的全名，有時以不同格式輸入並且有時拼錯。我知道部分匹配有一些不同的功能選項（如agrep和pmatch）和合並數據文件，但我需要幫助：a）組合這兩個; b）進行可以忽略中間名的部分匹配; c）在合併的數據文件存儲中都使用原始名稱格式，d）保留唯一值，即使它們沒有匹配。

例如，我有以下兩個數據文件：

文件名稱：員工數據（作爲R DF1）

 Full.Name Date.Started Orders 
1 ANGELA MUIR  6/15/14 25  44 
2 EILEEN COWIE  6/15/14  40 
3 LAURA CUMMING  10/6/14  43 
4 ELENA POPA  1/21/15  37 
5 KAREN MACEWAN  3/15/99  39 

文件名稱：評估數據（DF2在R）

  Candidate Leading.Factor SI.D SI.I 
1   Angie muir    I -3 12 
2  Caroline Burn    S -5 -3 
3 Eileen Mary Cowie    S -5 5 
4   Elena Pope    C -4 7 
5  Henry LeFeuvre    C -5 -1 
6  Jennifer Ford    S -3 -2 
7  Karen McEwan    I -4 10 
8  Laura Cumming    S 0 6 
9  Mandip Johal    C -2 2 
10 Mubarak Hussain    D 6 -1 

我想根據名稱（df1中的全名和df2中的候選者）將它們合併，忽略中間名（例如Eilen Cowie = Eileen Mary Cowie），額外空格（Laura Cumming = Laura Cumming）;拼錯（例如埃琳娜波帕=埃琳娜教皇）等

理想的輸出是這樣的：

   Name  Full.Name   Candidate Date.Started Orders Leading.Factor SI.D SI.I 
1 ANGELA MUIR ANGELA MUIR   Angie muir 6/15/14 25  44    I -3 12 
2 EILEEN COWIE EILEEN COWIE Eileen Mary Cowie  6/15/14  40    S -5 5 
3 LAURA CUMMING LAURA CUMMING  Laura Cumming  10/6/14  43    S 0 6 
4  ELENA POPA  ELENA POPA   Elena Pope  1/21/15  37    C -4 7 
5 KAREN MACEWAN KAREN MACEWAN  Karen McEwan  3/15/99  39    I -4 10 
6 Caroline Burn   N/A  Caroline Burn   N/A N/A    S -5 -3 
7 Henry LeFeuvre   N/A Henry LeFeuvre   N/A N/A    C -5 -1 
8 Jennifer Ford   N/A  Jennifer Ford   N/A N/A    S -3 -2 
9  Mandip Johal   N/A  Mandip Johal   N/A N/A    C -2 2 
10 Mubarak Hussain   N/A Mubarak Hussain   N/A N/A    D 6 -1 

任何建議，將不勝感激！

Answer 1

第一遍，我會建議一個兩階段的過程。

首先，清理你的琴絃。標準化外殼，去除多餘的空間，去除任何不需要的字符。我用了一個相當強勁的清潔功能是如下：

stringCleaning <- function(x) { 
# x <- stringr::str_trim(x) 
# x <- tolower(x) 
# x <- gsub("\\s+", " ", x) 
# x <- gsub("[^[:space:]A-z0-9]", "", x) 
    stringr::str_trim(tolower(gsub("\\s+", " ", gsub("[^[:space:]A-z0-9]", "", x)))) 
} 

這將字符串轉換爲小寫，剔除了任何非字母數字或字符串中的字符，剔除了多餘的空格，並在字符串的兩側刪除空格。

二，使用Levenshtein（或編輯）距離來找到最接近的匹配。 stringdist包裝包括一個簡單的距離計算器來幫助你。

stringdist::stringdist('your mother', c("bellow", "your mom", 'yourmother')) 
min(stringdist::stringdist('your mother', c("bellow", "your mom", 'yourmother'))) 
which.min(stringdist::stringdist('your mother', c("bellow", "your mom", 'yourmother'))) 

您可以使用此功能在另一個數據框中找到最合適的匹配。

df1 <- data.frame(name = c("Jena Stars", "Gina Starz")) 
df2 <- data.frame(name = c("gina starz", "Jena starz ")) 

df1$clean <- stringCleaning(df1$name) 
df2$clean <- stringCleaning(df2$name) 

df1$check <- df2$name[sapply(df1$clean, function(x) { 
    which.min(stringdist::stringdist(x, df2$clean)) 
    })] 
df1 

一個小例子，但我希望它有幫助。