R:使用agrep和data.table进行模糊合并

Question

我试图合并两个data.tables，但是由于股票名称的拼写不同，我丢失了大量的数据点。因此，而不是完全匹配，我是在调查模糊合并。

library("data.table")
dt1 = data.table(Name = c("ASML HOLDING","ABN AMRO GROUP"), A = c(1,2))
dt2 = data.table(Name = c("ASML HOLDING NV", "ABN AMRO GROUP"), B = c("p", "q"))

当在“名称”上合并dt1和dt2时，由于添加了"NV"，ASML将被排除在外，而实际数据将是准确的。

优先的最终数据输出看起来有些类似于：

              Name A B
1:  ABN AMRO GROUP 2 q
2: ASML HOLDING NV 1 p

接下来我尝试了以下几点：

dt1 = dt1[, dt2_NAME := agrep(dt1$Name, dt2$Name, ignore.case = TRUE, value = TRUE, max.distance = 0.05, useBytes = TRUE)]

但是，我得到以下错误，

参数‘模式’的长度>1，只使用第一个元素

这个错误是有意义的，因为dt1$Name比1长，但是我相信如果它考虑dt1$Name在一行的基础上，这将是一种可能的解决方案。

这可能是个愚蠢的错误，但出于某种原因，我就是无法理解它。此外，我更喜欢使用data.table，因为我的数据集相当大，而且到目前为止它已经非常出色地工作了。另外，我对堆栈溢出很陌生，如果我的问题有点不完善的话，很抱歉。

最后，我找到了一段代码来完成这项工作，但是速度太慢，无法实际使用。R中的模糊合并

dt1$Name_dt2 <- "" # Creating an empty column
for(i in 1:dim(dt1)[1]) {
  x <- agrep(dt1$Name[i], dt2$Name,
             ignore.case=TRUE, value=TRUE,
             max.distance = 0.05, useBytes = TRUE)
  x <- paste0(x,"")
  dt1$Name_dt2[i] <- x
}

Answer 1

使用“fuzzyjoin”的可能解决方案：

library(fuzzyjoin)
f <- Vectorize(function(x,y) agrepl(x, y,
                                   ignore.case=TRUE,
                                   max.distance = 0.05, useBytes = TRUE))

dt1 %>% fuzzy_inner_join(dt2, by="Name", match_fun=f)
#          Name.x A          Name.y B
#1   ASML HOLDING 1 ASML HOLDING NV p
#2 ABN AMRO GROUP 2  ABN AMRO GROUP q

注意:您也遇到的主要问题是，agrep和agrepl似乎并不期望第一个参数是向量。这就是为什么我用Vectorize来结束调用的原因。

此方法可与equi一起使用(请注意by！中列的顺序)：

dt1 = data.frame(Name = c("ASML HOLDING","ABN AMRO GROUP"), A = c(1,2),Date=c(1,2))
dt2 = data.frame(Name = c("ASML HOLDING NV", "ABN AMRO GROUP", "ABN AMRO GROUP"), B = c("p", "q","r"),Date=c(1,2,3))

dt1 %>% fuzzy_inner_join(dt2, by=c("Date","Name"), match_fun=f) %>% filter(Date.x==Date.y)