Wie kann ich mit fuzzy-match-strings aus zwei datasets?

Die Lösung hängt von der gewünschten Kardinalität von Ihr passendes a zu b. Wenn es eins-zu-eins, erhalten Sie die nächsten drei Spiele oben. Wenn es viele-zu-eins, Sie erhalten sechs.

Eins-zu-eins-Fall (erfordert Zuordnung Algorithmus):

Wenn ich habe, um dies zu tun, bevor ich es zu behandeln, als eine Abtretung problem mit einer Distanz-matrix und eine Zuordnung Heuristik (greedy-Zuordnung unten). Wenn Sie möchten, eine "optimale" Lösung, Sie wären besser dran mit optim.

Nicht vertraut mit AGREP aber hier ist Beispiel mit stringdist für Ihre Distanz-matrix.

library(stringdist)
d <- expand.grid(a$name,b$name) # Distance matrix in long form
names(d) <- c("a_name","b_name")
d$dist <- stringdist(d$a_name,d$b_name, method="jw") # String edit distance (use your favorite function here)

# Greedy assignment heuristic (Your favorite heuristic here)
greedyAssign <- function(a,b,d){
  x <- numeric(length(a)) # assgn variable: 0 for unassigned but assignable, 
  # 1 for already assigned, -1 for unassigned and unassignable
  while(any(x==0)){
    min_d <- min(d[x==0]) # identify closest pair, arbitrarily selecting 1st if multiple pairs
    a_sel <- a[d==min_d & x==0][1] 
    b_sel <- b[d==min_d & a == a_sel & x==0][1] 
    x[a==a_sel & b == b_sel] <- 1
    x[x==0 & (a==a_sel|b==b_sel)] <- -1
  }
  cbind(a=a[x==1],b=b[x==1],d=d[x==1])
}
data.frame(greedyAssign(as.character(d$a_name),as.character(d$b_name),d$dist))

Produziert die Zuordnung:

       a          b       d
1 Ace Co    Ace Co. 0.04762
2  Bayes Bayes Inc. 0.16667
3    asd       asdf 0.08333

Ich bin sicher, es gibt eine viel elegantere Art und Weise zu tun, die gierig Zuordnung Heuristik, aber die oben genannten arbeiten für mich.

Viele-zu-eins-Fall (keine Zuordnung-problem):

do.call(rbind, unname(by(d, d$a_name, function(x) x[x$dist == min(x$dist),])))

Erzeugt das Ergebnis:

   a_name     b_name    dist
1  Ace Co    Ace Co. 0.04762
11   Baes Bayes Inc. 0.20000
8   Bayes Bayes Inc. 0.16667
12   Bays Bayes Inc. 0.20000
10    Bcy Bayes Inc. 0.37778
15    asd       asdf 0.08333

Edit: verwenden method="jw" zu produzieren gewünschten Ergebnisse. Sehen help("stringdist-package")

Ich bin nicht sicher, ob dies eine sinnvolle Richtung für Sie, John Andrews, aber es gibt Ihnen ein weiteres tool (von der RecordLinkage - Paket) und helfen könnte.

install.packages("ipred")
install.packages("evd")
install.packages("RSQLite")
install.packages("ff")
install.packages("ffbase")
install.packages("ada")
install.packages("~/RecordLinkage_0.4-1.tar.gz", repos = NULL, type = "source")

require(RecordLinkage) # it is not on CRAN so you must load source from Github, and there are 7 dependent packages, as per above

compareJW <- function(string, vec, cutoff) {
  require(RecordLinkage)
  jarowinkler(string, vec) > cutoff
}

a<-data.frame(name=c('Ace Co','Bayes', 'asd', 'Bcy', 'Baes', 'Bays'),price=c(10,13,2,1,15,1))
b<-data.frame(name=c('Ace Co.','Bayes Inc.','asdf'),qty=c(9,99,10))
a$name <- as.character(a$name)
b$name <- as.character(b$name)

test <- compareJW(string = a$name, vec = b$name, cutoff = 0.8)  # pick your level of cutoff, of course
data.frame(name = a$name, price = a$price, test = test)

> data.frame(name = a$name, price = a$price, test = test)
    name price  test
1 Ace Co    10  TRUE
2  Bayes    13  TRUE
3    asd     2  TRUE
4    Bcy     1 FALSE
5   Baes    15  TRUE
6   Bays     1 FALSE

Benutze ich lapply für jene Umstände:

yournewvector: lapply(yourvector$yourvariable, agrep, yourothervector$yourothervariable, max.distance=0.01),

dann schreiben Sie es als csv-es ist nicht so einfach:

write.csv(matrix(yournewvector, ncol=1), file="yournewvector.csv", row.names=FALSE)