使用stringdist_join对两个数据帧进行分组和循环

Question

我想使用stringdist_join按十年对美国的各个县进行模糊匹配。由于县名称会随着时间的推移而变化，因此我希望在每十年匹配到正确的县名称。

如果我写道：

stringdist_join(mispelled,correct,by=c('decade','county'))

然后，stringdist_join也会对十年进行模糊匹配，例如1960年到1970年，而实际上我希望将十年变量视为正确的，并且只模糊匹配县。

我可以看到，我需要按十年对拼写错误和更正的数据帧进行分组，然后分别在每个数据帧上运行，但我不知道如何做到这一点。Tidyverse解决方案将是首选。

谢谢!

Answer 1

归根结底，我认为您寻求的方法是允许max_dist作为距离的向量，您可以使用stringdist_inner_join(..., max_dist=c(0,2))。不幸的是，虽然这已经被要求(在2017年：https://github.com/dgrtwo/fuzzyjoin/issues/36和https://github.com/dgrtwo/fuzzyjoin/issues/21)，但它似乎还没有实现。

如果您负担得起更大的中间连接产品，一种变通方法是允许它，然后过滤掉decade是不精确连接的地方。

由于缺乏数据，我将使用ggplot2::diamonds进行演示。在这里，我需要cut的普通stringdist功能和clarity的精确匹配。

d <- data.frame(cut = c("Idea", "Premiums", "Premioom", "VeryGood", "VeryGood", "Faiir"),
                clarity = rep(c("SI1", "SI2"),3),
                type = 1:6)
data("diamonds", package = "ggplot2")
diamonds <- diamonds[1:10,]

joined <- stringdist_inner_join(diamonds, d, by = c("cut", "clarity"))
joined
# # A tibble: 8 x 13
#   carat cut.x     color clarity.x depth table price     x     y     z cut.y    clarity.y  type
#   <dbl> <ord>     <ord> <ord>     <dbl> <dbl> <int> <dbl> <dbl> <dbl> <chr>    <chr>     <int>
# 1 0.23  Ideal     E     SI2        61.5    55   326  3.95  3.98  2.43 Idea     SI1           1
# 2 0.21  Premium   E     SI1        59.8    61   326  3.89  3.84  2.31 Premiums SI2           2
# 3 0.21  Premium   E     SI1        59.8    61   326  3.89  3.84  2.31 Premioom SI1           3
# 4 0.290 Premium   I     VS2        62.4    58   334  4.2   4.23  2.63 Premiums SI2           2
# 5 0.26  Very Good H     SI1        61.9    55   337  4.07  4.11  2.53 VeryGood SI2           4
# 6 0.26  Very Good H     SI1        61.9    55   337  4.07  4.11  2.53 VeryGood SI1           5
# 7 0.22  Fair      E     VS2        65.1    61   337  3.87  3.78  2.49 Faiir    SI2           6
# 8 0.23  Very Good H     VS1        59.4    61   338  4     4.05  2.39 VeryGood SI1           5

subset(joined, clarity.x == clarity.y)
# # A tibble: 2 x 13
#   carat cut.x     color clarity.x depth table price     x     y     z cut.y    clarity.y  type
#   <dbl> <ord>     <ord> <ord>     <dbl> <dbl> <int> <dbl> <dbl> <dbl> <chr>    <chr>     <int>
# 1  0.21 Premium   E     SI1        59.8    61   326  3.89  3.84  2.31 Premioom SI1           3
# 2  0.26 Very Good H     SI1        61.9    55   337  4.07  4.11  2.53 VeryGood SI1           5