基于部分匹配文本对data.frame进行整形和求和(package stringdist)

Question

我在处理一份旧的名单。这些人的名字写得不同，但实际上，他们是同一个人。我使用stringdist包来计算字符串之间的距离，以查找哪些名称可能相同。

我的数据的一个小示例：

 data <- data.frame(column1 = c("Lalande, Pierre","Lalande, P","Tertre, Girard ","Tertre Girard du"),
                    column2 = c(4, 5, 10, 1))

它提供了什么：

            column1 column2
    Lalande, Pierre       4
         Lalande, P       5
    Tertre, Girard       10
   Tertre Girard du       1

我尝试过的:使用stringdist包

 library (stringdist)
 distance <- stringdistmatrix(data$column1,
                              useNames="strings",
                              method="lv")
 distance2 = as.matrix(distance)

距离<5:准相等字符串

             Lalande, Pierre Lalande, P Tertre, Girard 
Lalande, P                     5                           
Tertre, Girard                11         13                
Tertre Girard du              14         15          3

重塑

library(reshape2)
out <- unique(melt(distance2))

它提供了什么：

           Var1             Var2     value
1   Lalande, Pierre  Lalande, Pierre     0
2        Lalande, P  Lalande, Pierre     5
3   Tertre, Girard   Lalande, Pierre    11
4  Tertre Girard du  Lalande, Pierre    14
5   Lalande, Pierre       Lalande, P     5
6        Lalande, P       Lalande, P     0
7   Tertre, Girard        Lalande, P    13
8  Tertre Girard du       Lalande, P    15
9   Lalande, Pierre  Tertre, Girard     11
10       Lalande, P  Tertre, Girard     13
11  Tertre, Girard   Tertre, Girard      0
12 Tertre Girard du  Tertre, Girard      3
13  Lalande, Pierre Tertre Girard du    14
14  Lalande, P Tertre Girard du         15
15  Tertre, Girard  Tertre Girard du     3
16 Tertre Girard du Tertre Girard du     0

只保留好的几行：

out2 <- out %>%
   filter (value>0 & value<5)
out2

期末考试，但没有我的专栏3！

          Var1             Var2     value
1 Tertre Girard du  Tertre, Girard      3
2  Tertre, Girard  Tertre Girard du     3

如何做到这一点呢？(对我的原始data.frame column2值求和)

Var1            Var2                 Column3(summing)
Lalande, Pierre    Lalande, P               9                
Tertre, Girard    Tertre Girard du         11

Answer 1

我确信有一种更干净的方法可以做到这一点，但这在base R中是有效的。

 data <- data.frame(column1 = c("Lalande, Pierre","Lalande, P","Tertre, Girard ","Tertre Girard du"),
               column2 = c(4, 5, 10, 1))

基于模式匹配创建列

 data$column3 <- gsub(",.*| .*",  "", data$column1) 

这里是合并的x部分，我们对第1列和第3列进行拆分和转换

对于合并的y部分，我们通过匹配列3进行聚合

X和y由各自的匹配列合并

  merge(t(unstack(data[c(1,3)])),aggregate(data$column2, by=list(gsub(",.*| .*",  "", data$column1)), FUN=sum), by.x = "row.names", by.y = "Group.1")