模糊字符串匹配与归并

Question

我正在尝试用字符串place合并两个数据集，它很相似，但在许多情况下并不完全相同。

例如，在另一个数据集中可以有伦敦、英国和仅伦敦这样的记录。我希望在每个记录旁边有一个匹配的分数，并根据相似性分数合并它们(如果它大于.80，则合并)。

有没有办法用变量place合并两个数据集A和B？

第一个数据集A有四个变量：name, place, origin, ranking

第二个数据集B有三个变量：ratings, place, destinations, trip time

我想合并数据集A和数据集B。

最终合并的数据集应具有以下变量：name, place, origin, ranking, ratings, destinations, trip time

我想基于数据集A进行合并(就像SQL中的左连接)。我想要A的所有记录以及从B添加的列。

Answer 1

stringdist library有很多功能，这里有一个使用soundex相似度的例子：

library(stringdist)

#dummy data
df1 <- data.frame(ID1=c("london","USA","UK","ball","xyz"))
df2 <- data.frame(ID2=c("lndon","US","UKS","bull","ttt"),
                  x=1:5)

#get soundex
df1$soundex <- phonetic(df1$ID1, method = c("soundex"), 
                        useBytes = FALSE)
df2$soundex <- phonetic(df2$ID2, method = c("soundex"), 
                        useBytes = FALSE)

#merge on soundex column, keep all rows from df1
merge(df1, df2, by="soundex", all.x=TRUE)

#output
#   soundex    ID1   ID2  x
# 1    B400   ball  bull  4
# 2    L535 london lndon  1
# 3    U200    USA    US  2
# 4    U200    USA   UKS  3
# 5    U200     UK    US  2
# 6    U200     UK   UKS  3
# 7    X200    xyz  <NA> NA