在R中使用精确匹配和模糊匹配合并两个大型数据集

Question

在R中使用精确匹配和模糊匹配合并两个大型数据集

3

我会尝试内部连接两个数据集：其中一个拥有50,000个观测值的df1看起来像这样：

  Name              | Line.1           | Line.2     | Town       | County       | Postcode 
 -------------------|------------------|------------|------------|--------------|---------- 
  ACME Inc          | 63 Long Street   |            | Fakeington | Lincolnshire | PA4 8QU  
  BETA LTD          | 91a              | Main Drove | Cloud City | Something    | BN1 6LD  
  The Giga          | 344 Lorem Street |            | Ipsom      | Dolor        | G2 8LY

df2 包含 500000 个观测，看起来像这样：

  Name              | AddressLine1   | AddressLine2     | AddressLine3 | AddressLine4 | Postcode | RatingValue 
 -------------------|----------------|------------------|--------------|--------------|----------|------------- 
  ACME              |                | 63 Long Street   | Fakeington   | Lincolnshire | PA4 8QU  | 1           
  Random Company    |                | Rose Ave         | Fakeington   |              | AB2 51GL | 5           
  BETA Limited      | Business House | 91a Main Drove   | Something    |              | BN1 6LD  | 3           
  Giga Incorporated |                | 344 Lorem Street | Ipsum        | Dolor        | G2 8LY   | 5

我想得到类似于df_final这样的东西。

  Name              | Postcode | RatingValue 
 -------------------|----------|------------- 
  ACME Inc          | PA4 8QU  | 1           
  BETA LTD          | BN1 6LD  | 3           
  Giga Incorporated | G2 8LY   | 5

这些是一对一的匹配，df1中的所有值都应该存在于df2中。 Postcode完全匹配，而地址则拆分成多行，并没有规律的模式，因此我认为最好的方法是通过Name进行匹配。

我尝试了fuzzyjoin包，但是出现了Error: cannot allocate vector of size 120.6 Gb的错误，所以我想我必须使用另一种适用于更大数据集的方法。

你有什么关于如何处理这个问题的最佳方法的想法吗？

df1 <- data.frame(
  stringsAsFactors = FALSE,
              Name = c("ACME Inc", "BETA LTD", "Giga Incorporated"),
            Line.1 = c("63 Long Street", "91a", "344 Lorem Street"),
            Line.2 = c(NA, "Main Drove", NA),
              Town = c("Fakeington", "Cloud City", "Ipsom"),
            County = c("Lincolnshire", "Something", "Dolor"),
          Postcode = c("PA4 8QU", "BN1 6LD", "G2 8LY")
)

df2 <- data.frame(
  stringsAsFactors = FALSE,
              Name = c("ACME", "Random Company","BETA Limited","Giga Incorporated"),
      AddressLine1 = c(NA, NA, "Business House", NA),
      AddressLine2 = c("63 Long Street", "Rose Ave","91a Main Drove","344 Lorem Street"),
      AddressLine3 = c("Fakeington", "Fakeington", "Something", "Ipsum"),
      AddressLine4 = c("Lincolnshire", NA, NA, "Dolor"),
          Postcode = c("PA4 8QU", "AB2 51GL", "BN1 6LD", "G2 8LY"),
       RatingValue = c(1L, 5L, 3L, 5L)
)

- Nicu Calcea

1

我首先会将这个问题分解成一个更小的问题。从两个现有列df1$Name和df2$Name中创建一个数据框，其中行表示基于满足某些匹配阈值（soundex、字符串距离或其他任何您想要的）的“匹配”公司名称的每个组合。对df1和df2进行笛卡尔积，然后过滤，以便仅保留有效的组合。 - Bill O'Brien

@BillO'Brien 笛卡尔积？df1有50K行，df2有500K行，50000*500000等于2.5e+10。 - Rui Barradas

我纠正了。 - Bill O'Brien

1个回答

网页内容由stack overflow 提供, 点击上面的

可以查看英文原文，
原文链接

- Rui Barradas · Accepted Answer

也许以下内容可以完成问题的要求。它使用stringdist包而不是fuzzyjoin包。

首先，仅按Postcode合并，因为匹配是精确的。然后获取Name之间的相似度。如果它们超过预定阈值，则保留这些行。

thresh <- 0.75

df_final <- merge(df2[c(1, 6:7)], df1[c(1, 6)], by = "Postcode", suffixes = c("",".y"))
i <- apply(df_final[c(2, 4)], 1, function(x) {stringdist::stringsim(x[1], x[2], method = 'jw')}) >= thresh

df_final <- df_final[i, c(2, 1, 3)]

df_final 
#               Name Postcode RatingValue
#1      BETA Limited  BN1 6LD           3
#2 Giga Incorporated   G2 8LY           5
#3              ACME  PA4 8QU           1