如何在 stringdist 连接中锁定 'by' 列的第一位数字？

Question

我正在尝试使用 stringdist_join 合并两个表。我将 'by' 变量构建为三个变量的串联，这些变量的名称如下：

UAI : 序列号 nom : 姓氏 prenom : 名字

下面的代码运行良好，但我希望 UAI 部分完美匹配，它始终是变量 UAInomprenom 的前 8 个字符。我该怎么做？

stringdist_join(Ech_final_nom, BSA_affect_nom, 
                by = "UAInomprenom",
                mode = "left",
                ignore_case = FALSE, 
                method = "jw", 
                max_dist = 0.1117, 
                distance_col = "dist")

感谢您的帮助！

Answer 1

我以下面两个数据集为例：

df1 <- structure(list(V1 = c("abcNum1Num1Num1Num1", "abc1Num1Num1Num1Num", 
"accArv", "accbrf"), V2 = c(1L, 4L, 5L, 2L)), class = "data.frame", row.names = c(NA, 
-4L))

df2 <- structure(list(V1 = c("abcNun1Nun1Nun1Nun1", "abc1Nun1Nun1Nun1Nun", 
"accArv", "accNun1Nun1Nun1Nun1"), V2 = c(2L, 5L, 4L, 1L)), class = "data.frame", row.names = c(NA, 
-4L))

在这两个数据框中，变量V1是join by字段，其中前3个字符不模糊（在你的例子中，有8个不模糊字符）。

现在，将列 V1 分隔开，使其成为一个包含前 3 个字符的独立列：

library(fuzzyjoin)
library(tidyverse)

df1 <- df1 %>% 
  extract(V1, into = c("V1A","V1B"), "(.{3})(.*)")

df2 <- df2 %>% 
  extract(V1, into = c("V1A","V1B"), "(.{3})(.*)")

最后应用模糊连接，去掉三字符字段两列值不同的行：

stringdist_join(df1, df2, 
                by = "V1B",
                mode = "left",
                ignore_case = FALSE, 
                method = "jw", 
                max_dist = 0.5) %>% 
  filter(V1A.x == V1A.y) %>% 
  unite("V1",c("V1A.x","V1B.x"),sep="") %>% 
  select(V1,V2=V2.x,V3=V2.y)

如何在 stringdist 连接中锁定 'by' 列的第一位数字？

How do I lock the first digits of the 'by' column in a stringdist join?

string

merge

r

dplyr

stringdist