带字符串排列的模糊连接

Question

我使用fuzzyjoin来跨越政治家和他们各自的地区：

library(dplyr)
library(fuzzyjoin)

x <- tibble(name = c("Fulvio Rossi Ciocca", "Rigoberto Del Carmen Rojas Sarapura", "Lorena Vergara Bravo", "Lily Perez San Martin"),
            activity = c("surgeon", "business", "public administration", "publicist"))

y <- tibble(name = c("Rossi Ciocca Fulvio", "Perez San Martin Lily"), region = c(1,5))

z <- x %>%
  stringdist_inner_join(y, max_dist = 10)

在我的例子中，“富维奥·罗西·西奥卡”和“罗西·西奥卡·富维奥”是同一个人。事实上，我的数据集中的所有数据都包含相同的人，但都有类似于"Lennon John“这样的变体，而不是"John”。

我确实看过fuzzyjoin文档，但我找不到一种方法来编写这个伪代码的工作版本：

x %>%
  fuzzy_join(y, mode = "left", match_fun = "A ~ permutations(A)")

Answer 1

通过按字母顺序对每个名称的各个部分进行排序，您可以构造每个名称的唯一“规范化”版本。

然后，当两个名称共享相同的规范化形式时，它们可以被认为是相同的。

因此，一个可能的解决办法是：

normalize <- function(v) lapply(strsplit(v, " "), sort)

mf <- function(a, b) mapply(identical, normalize(a), normalize(b))

fuzzy_left_join(x, y, by = "name", match_fun = mf)
# # A tibble: 4 x 4
#                                name.x              activity                name.y region
#                                 <chr>                 <chr>                 <chr>  <dbl>
# 1                 Fulvio Rossi Ciocca               surgeon   Rossi Ciocca Fulvio      1
# 2 Rigoberto Del Carmen Rojas Sarapura              business                  <NA>     NA
# 3                Lorena Vergara Bravo public administration                  <NA>     NA
# 4               Lily Perez San Martin             publicist Perez San Martin Lily      5