模糊合并多个变量（除了一个没有拼写错误）

Question

我需要在三个变量上匹配两个数据集。三个变量中的两个不存在拼写错误（设计使然）。只有第三个变量需要模糊匹配。

标准的 fuyyzmerge 通过模糊连接所有三个变量产生了一些问题。

有没有办法指定三者中的哪一个应该模糊匹配，哪个应该精确匹配？

可重现的例子：

dataset_1 <- setNames(data.frame(c(1995,1996,1995,1996),c("AA","AA","BB","BB"),c("AAAA","AAAA","BBBB","BBBB")), c("var_1", "var_2", "var_3"))
dataset_2 <- setNames(data.frame(c(1995,1996,1995,1996),c("AA","AA","BB","BB"),c("AAAA","AAAA","BBBB","BBBC"),c("A","B","C","D")), c("var_1", "var_2", "var_3","var_4"))


merged <- stringdist_join(dataset_1, dataset_2, 
                                  by=c("var_1","var_2","var_3"),  
                                  max_dist = 2, 
                                  method = c("soundex"),
                                  mode = "full", 
                                  ignore_case = FALSE)

理想结果：

merged <- setNames(data.frame(rep(1995,4),c("AA","AA","BB","BB"),c("AAAA","AAAA","BBBB","BBBB"),c("A","B","C","D")), c("var_1", "var_2", "var_3","var_4"))

Answer 1

stringdist_join 是 fuzzy_join 的包装器，而 fuzzy_join 有一个 match_fun 参数，它可以是唯一函数或函数列表，只要你的by 参数，所以我们可以使用 fuzzy_full_join（这只是 fuzzy_join 和 mode= "full"）：

library(fuzzyjoin)
res <- fuzzy_full_join(dataset_1, dataset_2, 
                by=c("var_1","var_2","var_3"),
                list(`==`, `==`, function(x,y) stringdist::stringdist(x,y, "soundex") <= 2))
res
#   var_1.x var_2.x var_3.x var_1.y var_2.y var_3.y var_4
# 1    1995      AA    AAAA    1995      AA    AAAA     A
# 2    1996      AA    AAAA    1996      AA    AAAA     B
# 3    1995      BB    BBBB    1995      BB    BBBB     C
# 4    1996      BB    BBBB    1996      BB    BBBC     D

由于模糊匹配的性质，lhs 和 rhs 上的值通常不相同，所以我们最终得到两组按列，如果你只想保留 lhs 我们可以这样做:

library(dplyr)
res %>% 
  select(-ends_with(".y")) %>%
  rename_all(~sub("\.x$","",.))

#   var_1 var_2 var_3 var_4
# 1  1995    AA  AAAA     A
# 2  1996    AA  AAAA     B
# 3  1995    BB  BBBB     C
# 4  1996    BB  BBBB     D

模糊合并多个变量（除了一个没有拼写错误）

Fuzzy merge on multiple variables (all but one with no mispellings)

r

dplyr

fuzzyjoin