OpenRefine -交叉列聚类

Question

看起来，OpenRefine还不支持跨列集群。

有没有人对如何将基于“制造商”的“模型”进行聚类提出任何建议，就像“城市”将基于“州”一样(许多“斯普林菲尔德”可能存在于美国，但只有集群“城市”：“春田”，如果相对‘州’栏是相同的)？相对列已经规范化。

Answer 1

一个简单的方法是创建一个列，该列是连接字段上的model+manufacturer集群的连接，然后(如果需要的话)将这两个部分再分割回去。

Answer 2

我也有一个类似的要求去重复地址字符串。因此，我创建了一个新列(比如COMPLETE_ADDRESS)，并使用下面的GREL表达式连接了街道、城市、省、国家和邮政编码字段

cells["STREET"].value + " " + cells["CITY"].value + " " + cells["PROVINCE"].value + " " + cells["COUNTRY"].value + " " + cells["ZIPCODE"].value

然后我做了以下几件事：

1. 使用默认算法对新的COMPLETE_ADDRESS列进行聚类
2. 合并每个集群中的值(现在这些值是完全重复的)
3. 对列进行永久排序。
4. 做一个“空白下来”的操作。
5. 最后，只选择COMPLETE_ADDRESS中的非空值。

话虽如此，截至本文撰写之时，还没有将独立列合并的功能。要做到这一点，唯一的方法是适当地将COMPLETE_ADDRESS拆分为单独的列。在这种情况下，您将不得不使用更好的分隔符，例如管道“\”符号，它不会与现有值冲突。