根据R中的字符串距离匹配两列

Question

我有两个包含人名的非常大的数据框。这两个数据框报告有关这些人的不同信息（即 df1 报告有关健康状况的数据，而 df2 报告有关社会经济状况的数据）。一部分人出现在两个数据框中。这是我感兴趣的示例。我需要创建一个新的数据框，其中只包含出现在两个数据集中的那些人。但是，名称存在细微差异，主要是拼写错误。

我的数据如下：

df1
name | smoker | age
"Joe Smith" | Yes | 43
"Michael Fagin" | Yes | 35
"Ellen McFarlan" | No | 55
...
...

df2
name | occupation | location
"Joe Smit" | Postdoc | London
"Joan Evans" | IT consultant | Bristol
"Michael Fegin" | Lawyer | Liverpool
...
...

我需要的是具有以下信息的第三个数据帧 df3：

df3
name1 | name2 | distance | smoker | age | occupation | location 
"Joe Smith" | "Joe Smit" | a measure of their Jaro distance | Yes | 43 | Postdoc | London
"Michael Fagin" | "Michael Fegin" | a measure of their Jaro distance | Yes | 35 | Lawyer | Liverpool
...
...

到目前为止，我已经使用 stringdist 包来获取可能匹配项的向量，但我正在努力使用此信息来创建包含我需要的信息的新数据框。如果有人对此有任何想法，请提前致谢！

Answer 1

library(tidyverse)
library(fuzzyjoin)

df1  <- tibble(
  name = c("Joe Smith", "Michael Fagin"),
  smoker = c("yes", "yes")
)

df2 <- tibble(
  name = c("Joe Smit", "Michael Fegin"),
  occupation = c("post doc", "IT consultant")
)

df1 %>%
  # max 3 chars different
  stringdist_inner_join(df2, max_dist = 3)
#> Joining by: "name"
#> # A tibble: 2 × 4
#>   name.x        smoker name.y        occupation   
#>   <chr>         <chr>  <chr>         <chr>        
#> 1 Joe Smith     yes    Joe Smit      post doc     
#> 2 Michael Fagin yes    Michael Fegin IT consultant

^{由 reprex package (v2.0.0)}

创建于 2022-03-01

根据R中的字符串距离匹配两列

Match two columns based on string distance in R

r

string

matching

string-matching

stringdist