R: pmatch：'TERESA DEL CA‘与'TERESA DEL#CARMEN’不匹配

Question

我有两个具有几乎相同数据的数据：

Test.Takers，有29260条观测和以下列名：

Paternal.Name，Maternal.Name，First.Name，Application.Number

和Every.Student.In.The.Country，有12000000个观察到的列名：

Paternal.Name，Maternal.Name，First.Name，Application.Number

Test.Takers$Application.Number中填充了NA值，我想用Every.Student.In.The.Country.中的Application.Numbers填充该字段。

我试图通过从Every.Student.In.The.Country.中删除Paternal.Names和Maternal.Names来做到这一点。然后，我将使用以下代码填充Test.Takers$Application.Number：

Test.Takers$Application.Number[i] <- subset$Application.Number[pmatch(as.character(Test.Taker$First.Name[i]), subset$First.Names)]

这可以填补约2/3的Test.Takers$Application.Number。在试图找出为什么如此多的Every.Student.In.The.Country$First.Name仍然是NA之后，我发现来自该Test.Takers$Application.Number的一些名称中包含一个'#‘。我认为“#”抛出了pmatch函数，这样来自Test.Takers$First.Name的名称(如'TERESA DEL CA‘)与来自Every.Student.In.The.Country$First.Name的名称(如'TERESA DEL#CARMEN’)不匹配。

任何关于如何解决这个问题的建议都是很棒的。我觉得某种类似regex函数的东西可能会有所帮助，但我不太确定。

编辑:下面是一些复制问题的示例代码。请记住，我所处理的真实数据相当大--大约有30000和12000000个观测结果。如果你仔细看了这段代码，发现没有效率，请告诉我。

Test.Takers <- data.frame(
    Paternal.Name = c('Last', 'Last', 'Paternal'),
    Maternal.Name = c('Maternal', 'Last', 'Last'),
    First.Name = c('First', 'Name', 'TERESA DEL CA'),
    Application.Number = NA)

Every.Student.In.The.Country <- data.frame(
    Paternal.Name = c('Last', 'Last', 'Last', 'Paternal', 'Paternal', 'Paternal'),
    Maternal.Name = c('Maternal', 'Last', 'Maternal', 'Last', 'Maternal', 'Last'),
    First.Name = c('First', 'Name', 'Whatever', 'TERESA DEL#CARMEN', 'Another', 'Something Else'),
    Application.Number = c(123, 456, 789, 234, 567, 890)
)

#a place holder that will hold a subset of all a selected paternal last names
indexp <- data.frame(Paternal.Name='name')

for(i in 1:nrow(Test.Takers)) {
    namep <- as.character(Test.Takers$Paternal.Name[i])

    #below if statement prevents us from having to subset the paternal lastname unnecessarily

    if(is.na(indexp$Paternal.Name[1]) == T | as.character(indexp$Paternal.Name[1]) != namep) { 
        indexp <- subset(Every.Student.In.The.Country, Paternal.Name == as.character(Test.Takers$Paternal.Name[i]))
    }

    #below if-statement prevents an error that arrises
    #when a paternal last name does not exist
    #in the Every.Student.In.The.Country file

    if(is.na(indexp$Paternal.Name[1]) == F) {


    #group paternal last names by maternal last names
    indexm <- subset(indexp, Maternal.Name == as.character(Test.Takers$Maternal.Name[i]))    

    #find a partial string match to find an exact or similiar first name within the selected
    #last name subset. Attaches a application.number if a match is found

    Test.Takers$Application.Number[i] <- indexm$Application.Number[pmatch(as.character(Test.Takers$First.Name[i]), indexm$First.Name)]     
}}

Answer 1

如果#符号是您可以在函数duplicates.ok=TRUE中添加Test.Takers$Application.Number[i] <- subset$Application.Number[pmatch(as.character(Test.Taker$First.Name[i]), subset$First.Names),dup=T]的唯一问题

或者您可以删除#符号Test.Takers$Application.Number[i] <- subset$Application.Number[pmatch(as.character(Test.Taker$First.Name[i]),gsub("#"," ",subset$First.Names))]