stringdist_semi_join只显示来自dataframe1的列

Question

我有两个数据：

df1 <- data.frame(City=c("Munchen_Paris","Munchen_Paris","Barcelona_Milan", "Londen_Dublin","Madrid_Malaga"), 
                  value1=c(11,21,33,2,53))

df2 <- data.frame(City=c("Munnich_Parijs","Barcelona_Munster","Barcelona_Milan","London_Dub","London_Oxford","Pisa_Luik"), 
                  value2=c(22,2,44,54,29,65))

我试着把这些数据和模糊连接合并起来。

我正在寻找的结果是：

           City.x  value1   City.y             value2  string_distance
1   Munchen_Paris      11   Munnich_Parijs     22      5
2   Munchen_Paris      21   Munnich_Parijs     22      5
3 Barcelona_Milan      33   Barcelona_Milan    44      0
4   Londen_Dublin       2   London_Dub         54      4

(对于df1中每一行与df2 for City中的string_distance < 9匹配的行，我希望在新表中有一行包含来自df1和df2的所有列(string_distance值最低))：

df3 <- stringdist_semi_join(df1, df2, by = "City", max_dist = 9, distance_col = "string_distance")

我只收到这些栏：

> df3
             City value1
1   Munchen_Paris     11
2   Munchen_Paris     21
3 Barcelona_Milan     33
4   Londen_Dublin      2

如果我做了一个完整的加入，我会收到以下消息：

> df3 <- stringdist_full_join(df1, df2, by = "City", max_dist = 9, distance_col = "string_distance")

> df3
           City.x value1            City.y value2 string_distance
1   Munchen_Paris     11    Munnich_Parijs     22               5
2   Munchen_Paris     21    Munnich_Parijs     22               5
3 Barcelona_Milan     33 Barcelona_Munster      2               6
4 Barcelona_Milan     33   Barcelona_Milan     44               0
5   Londen_Dublin      2        London_Dub     54               4
6   Londen_Dublin      2     London_Oxford     29               7
7   Madrid_Malaga     53              <NA>     NA              NA
8            <NA>     NA         Pisa_Luik     65              NA

我可以删除包含NA和group_by City.x的行，不过我会删除前两行中的一行。

如果我做了inner_join，我会收到以下消息：

    df3 <- stringdist_inner_join(df1, df2, by = "City", max_dist = 9, distance_col = "string_distance")

df3

> df3
           City.x value1            City.y value2 string_distance
1   Munchen_Paris     11    Munnich_Parijs     22               5
2   Munchen_Paris     21    Munnich_Parijs     22               5
3 Barcelona_Milan     33 Barcelona_Munster      2               6
4 Barcelona_Milan     33   Barcelona_Milan     44               0
5   Londen_Dublin      2        London_Dub     54               4
6   Londen_Dublin      2     London_Oxford     29               7

奇怪的是stringdist_semi_join没有显示df2的列吗？还有别的方法可以达到我在上面的第一张表格中寻找的结果吗？

非常感谢!

Answer 1

半连接做什么(来自dplyr文档)：

返回y中有匹配值的x中的所有行，使列与x保持一致。半连接与内部连接不同，因为内部连接将为y的每一行返回一行x，其中半连接永远不会重复x的行。

所以你所看到的行为是预料之中的。

您正在寻找一个内部连接：

返回y中有匹配值的x中的所有行，以及x和y中的所有列。如果x和y之间有多个匹配，则返回所有匹配的组合。

在fuzzyjoin中，这称为stringdist_inner_join

df3 <- stringdist_inner_join(df1, df2, by = "City", max_dist = 9, distance_col = "string_distance")