R：使用 agrep 和 data.table 进行模糊合并

Question

我尝试合并两个 data.tables，但由于股票名称的拼写不同，我丢失了大量数据点。因此，我正在研究模糊合并，而不是完全匹配。

library("data.table")
dt1 = data.table(Name = c("ASML HOLDING","ABN AMRO GROUP"), A = c(1,2))
dt2 = data.table(Name = c("ASML HOLDING NV", "ABN AMRO GROUP"), B = c("p", "q"))

在"Name"上合并dt1和dt2时，ASML HOLDING会因为"NV"的加入而被排除在外，而实际数据是准确的。

首选的最终数据输出类似于：

              Name A B
1:  ABN AMRO GROUP 2 q
2: ASML HOLDING NV 1 p

我接下来尝试的是：

dt1 = dt1[, dt2_NAME := agrep(dt1$Name, dt2$Name, ignore.case = TRUE, value = TRUE, max.distance = 0.05, useBytes = TRUE)]

但是，我收到以下错误，

argument 'pattern' has length > 1 and only the first element will be used

错误是有道理的，因为 dt1$Name 比 1 长，但我相信如果它逐行考虑 dt1$Name 将是一个可能的解决方案。

这可能是一个愚蠢的错误，但出于某种原因我无法理解它。此外，我更喜欢使用 data.table，因为我的数据集相当大，而且到目前为止它运行良好。另外，我是堆栈溢出的新手，如果我的问题有点不对，很抱歉。

最后，我找到了一段代码可以完成这项工作，但对于实际使用来说太慢了。 Fuzzy merge in R

dt1$Name_dt2 <- "" # Creating an empty column
for(i in 1:dim(dt1)[1]) {
  x <- agrep(dt1$Name[i], dt2$Name,
             ignore.case=TRUE, value=TRUE,
             max.distance = 0.05, useBytes = TRUE)
  x <- paste0(x,"")
  dt1$Name_dt2[i] <- x
}

Answer 1

使用'fuzzyjoin'的可能解决方案：

library(fuzzyjoin)
f <- Vectorize(function(x,y) agrepl(x, y,
                                   ignore.case=TRUE,
                                   max.distance = 0.05, useBytes = TRUE))

dt1 %>% fuzzy_inner_join(dt2, by="Name", match_fun=f)
#          Name.x A          Name.y B
#1   ASML HOLDING 1 ASML HOLDING NV p
#2 ABN AMRO GROUP 2  ABN AMRO GROUP q

注意：您也遇到的主要问题是 agrep 和 agrepl 似乎不希望第一个参数是向量。这就是我用 Vectorize.

结束通话的原因

此方法可与等值连接一起使用（注意 by 中列的顺序！）：

dt1 = data.frame(Name = c("ASML HOLDING","ABN AMRO GROUP"), A = c(1,2),Date=c(1,2))
dt2 = data.frame(Name = c("ASML HOLDING NV", "ABN AMRO GROUP", "ABN AMRO GROUP"), B = c("p", "q","r"),Date=c(1,2,3))

dt1 %>% fuzzy_inner_join(dt2, by=c("Date","Name"), match_fun=f) %>% filter(Date.x==Date.y)

R：使用 agrep 和 data.table 进行模糊合并

R: Fuzzy merge using agrep and data.table

r

agrep

data.table