通过字符串匹配将两个数据流与dplyr和stringdist合并

Question

我试图基于非常相似的语言对两个数据文件执行dplyr左连接(这并不准确)。

DF1：

title | records
Bob's show, part 1 | 42
Time for dinner | 77
Horsecrap | 121

DF2：

showname | counts
Bob's show part 1 | 772
Dinner time | 89
No way Jose | 123

我执行此操作是为了使用字符串包/库作为向量获取字符串距离：

titlematch <- amatch(df1$title,df2$showname) 

矢量看起来像..。一个整数向量：

titlematch
1
2
NA

通常情况下，如果我有准确的匹配，我会做：

blended <- left_join(df1, df2, by = c("title" = "showname"))

如何使用向量作为记录选择器进行左联接，以便最终结果是：

title | records | showname | counts
Bob's show, part 1 | 42 | Bob's show part 1 | 772
Time for dinner | 77 | Dinner time | 89

由于向量(NA)中没有可能匹配，所以排除了第三次不匹配。

Answer 1

camille suggested in a comment

你看过fuzzyjoin吗？

我以前从未听说过fuzzyjoin，但我试过并且喜欢它。stringdist_left_join正是我所需要的。

Answer 2

这是一次机会，

library(stringdist)
library(tidyverse)

df1 %>%
  as_tibble() %>%
  mutate(temp = amatch(title, df2$showname, maxDist = 10)) %>%
  bind_cols(df2[.$temp, ]) %>%
  select(-temp)

# A tibble: 3 x 4
  title              records showname          counts
  <chr>                <int> <chr>              <int>
1 Bob's show, part 1      42 Bob's show part 1    772
2 Time for dinner         77 Dinner time           89
3 Horsecrap              121 Dinner time           89

我无法再现您的数字匹配向量，amatch(df1$title, df2$showname)给我[1] NA NA NA，因为它的默认值是0.1，所以我将maxDist设置为10。

最后，您可以始终添加%>% filter(is.na(showname))以删除任何没有匹配的行。

数据

df1 <- structure(list(title = c("Bob's show, part 1", "Time for dinner", 
"Horsecrap"), records = c(42L, 77L, 121L)), .Names = c("title", 
"records"), row.names = c(NA, -3L), class = "data.frame")

df2 <- structure(list(showname = c("Bob's show part 1", "Dinner time", 
"No way Jose"), counts = c(772L, 89L, 123L)), .Names = c("showname", 
"counts"), row.names = c(NA, -3L), class = "data.frame")