Как сопоставить строки нечеткого соответствия из двух наборов данных?

Я работаю над способом объединения двух наборов данных на основе несовершенной строки, такой как имя компании. В прошлом мне приходилось составлять два очень грязных списка, в одном были имена и финансовая информация, в другом-имена и адреса. Не имели уникальные идентификаторы матч! ПРЕДПОЛОЖИМ, ЧТО ОЧИСТКА УЖЕ ПРИМЕНЕНА И, ВОЗМОЖНО, ЕСТЬ ОПЕЧАТКИ И ВСТАВКИ.

до сих пор AGREP-самый близкий инструмент, который я нашел, который может работать. Я могу использовать расстояния Левенштейна в пакет AGREP, который измеряет количество удалений, вставок и подстановок между двумя строками. AGREP вернет строку с наименьшим расстоянием (наиболее похожим).

однако у меня возникли проблемы с поворотом этой команды из одного значения, чтобы применить ее ко всему фрейму данных. Я грубо использовал цикл for для повторения функции AGREP, но должен быть более простой способ.

следующий код:

a<-data.frame(name=c('Ace Co','Bayes', 'asd', 'Bcy', 'Baes', 'Bays'),price=c(10,13,2,1,15,1))
b<-data.frame(name=c('Ace Co.','Bayes Inc.','asdf'),qty=c(9,99,10))

for (i in 1:6){
    a$x[i] = agrep(a$name[i], b$name, value = TRUE, max = list(del = 0.2, ins = 0.3, sub = 0.4))
    a$Y[i] = agrep(a$name[i], b$name, value = FALSE, max = list(del = 0.2, ins = 0.3, sub = 0.4))
}

6 ответов


решение зависит от желаемой мощности вашего соответствия a до b. Если это один к одному, вы получите три ближайших матча выше. Если будет много к одному, вы получите шесть.

один к одному случай (требуется алгоритм назначения):

когда мне пришлось это сделать, прежде чем я рассматриваю его как проблему назначения с матрицей расстояний и эвристикой назначения (жадное назначение, используемое ниже). Если вы хотите "оптимальное" решение тебе лучше с optim.

не знаком с AGREP, но вот пример использования stringdist для матрицы расстояний.

library(stringdist)
d <- expand.grid(a$name,b$name) # Distance matrix in long form
names(d) <- c("a_name","b_name")
d$dist <- stringdist(d$a_name,d$b_name, method="jw") # String edit distance (use your favorite function here)

# Greedy assignment heuristic (Your favorite heuristic here)
greedyAssign <- function(a,b,d){
  x <- numeric(length(a)) # assgn variable: 0 for unassigned but assignable, 
  # 1 for already assigned, -1 for unassigned and unassignable
  while(any(x==0)){
    min_d <- min(d[x==0]) # identify closest pair, arbitrarily selecting 1st if multiple pairs
    a_sel <- a[d==min_d & x==0][1] 
    b_sel <- b[d==min_d & a == a_sel & x==0][1] 
    x[a==a_sel & b == b_sel] <- 1
    x[x==0 & (a==a_sel|b==b_sel)] <- -1
  }
  cbind(a=a[x==1],b=b[x==1],d=d[x==1])
}
data.frame(greedyAssign(as.character(d$a_name),as.character(d$b_name),d$dist))

производит назначение:

       a          b       d
1 Ace Co    Ace Co. 0.04762
2  Bayes Bayes Inc. 0.16667
3    asd       asdf 0.08333

Я уверен, что есть гораздо более элегантный способ сделать жадную эвристику задания, но выше работает для меня.

много-к-одному случаю (не проблема назначения):

do.call(rbind, unname(by(d, d$a_name, function(x) x[x$dist == min(x$dist),])))

производит результат:

   a_name     b_name    dist
1  Ace Co    Ace Co. 0.04762
11   Baes Bayes Inc. 0.20000
8   Bayes Bayes Inc. 0.16667
12   Bays Bayes Inc. 0.20000
10    Bcy Bayes Inc. 0.37778
15    asd       asdf 0.08333

Edit: использовать method="jw" для получения желаемых результатов. См.help("stringdist-package")


Я не уверен, что это полезное направление для вас, Джон Эндрюс, но оно дает вам другой инструмент (из RecordLinkage package) и может помочь.

install.packages("ipred")
install.packages("evd")
install.packages("RSQLite")
install.packages("ff")
install.packages("ffbase")
install.packages("ada")
install.packages("~/RecordLinkage_0.4-1.tar.gz", repos = NULL, type = "source")

require(RecordLinkage) # it is not on CRAN so you must load source from Github, and there are 7 dependent packages, as per above

compareJW <- function(string, vec, cutoff) {
  require(RecordLinkage)
  jarowinkler(string, vec) > cutoff
}

a<-data.frame(name=c('Ace Co','Bayes', 'asd', 'Bcy', 'Baes', 'Bays'),price=c(10,13,2,1,15,1))
b<-data.frame(name=c('Ace Co.','Bayes Inc.','asdf'),qty=c(9,99,10))
a$name <- as.character(a$name)
b$name <- as.character(b$name)

test <- compareJW(string = a$name, vec = b$name, cutoff = 0.8)  # pick your level of cutoff, of course
data.frame(name = a$name, price = a$price, test = test)

> data.frame(name = a$name, price = a$price, test = test)
    name price  test
1 Ace Co    10  TRUE
2  Bayes    13  TRUE
3    asd     2  TRUE
4    Bcy     1 FALSE
5   Baes    15  TRUE
6   Bays     1 FALSE

согласен с вышеприведенным ответом"не знаком с AGREP, но вот пример использования stringdist для вашей матрицы расстояний. " но добавьте функцию подписи, как показано ниже из объединение наборов данных на основе частично совпадающих элементов данных будет более точным, так как расчет LV основан на положение/добавление/удаление

##Here's where the algorithm starts...
##I'm going to generate a signature from country names to reduce some of the minor differences between strings
##In this case, convert all characters to lower case, sort the words alphabetically, and then concatenate them with no spaces.
##So for example, United Kingdom would become kingdomunited
##We might also remove stopwords such as 'the' and 'of'.
signature=function(x){
  sig=paste(sort(unlist(strsplit(tolower(x)," "))),collapse='')
  return(sig)
}

Я использую lapply для тех случаях:

yournewvector: lapply(yourvector$yourvariable, agrep, yourothervector$yourothervariable, max.distance=0.01),

тогда написать его как csv не так просто:

write.csv(matrix(yournewvector, ncol=1), file="yournewvector.csv", row.names=FALSE)

вот решение, использующее fuzzyjoin пакета. Он использует dplyr-подобный синтаксис и stringdist как один из возможных типов нечеткого соответствия.

As предложил по C8H10N4O2, в stringdist method= " jw " создает лучшие совпадения для вашего примера.

As предложил dgrtwo, разработчик fuzzyjoin, я использовал большой max_dist, а затем использовал dplyr::group_by и dplyr::top_n чтобы получить только лучший матч с минимумом расстояние.

a <- data.frame(name = c('Ace Co', 'Bayes', 'asd', 'Bcy', 'Baes', 'Bays'),
                price = c(10, 13, 2, 1, 15, 1))
b <- data.frame(name = c('Ace Co.', 'Bayes Inc.', 'asdf'),
                qty = c(9, 99, 10))

library(fuzzyjoin)
library(dplyr)

stringdist_join(a, b, 
                by = "name",
                mode = "left",
                ignore_case = FALSE, 
                method = "jw", 
                max_dist = 99, 
                distance_col = "dist"
) %>%
  group_by(name.x) %>%
  top_n(1, -dist)

#> # A tibble: 6 x 5
#> # Groups:   name.x [6]
#>   name.x price     name.y   qty       dist
#>   <fctr> <dbl>     <fctr> <dbl>      <dbl>
#> 1 Ace Co    10    Ace Co.     9 0.04761905
#> 2  Bayes    13 Bayes Inc.    99 0.16666667
#> 3    asd     2       asdf    10 0.08333333
#> 4    Bcy     1 Bayes Inc.    99 0.37777778
#> 5   Baes    15 Bayes Inc.    99 0.20000000
#> 6   Bays     1 Bayes Inc.    99 0.20000000

вот что я использовал для получения количества раз, когда компания появляется в списке, хотя названия компаний являются неточными совпадениями,

шаг.1 установить пакет акустика

шаг.2 создайте новый столбец под названием "soundexcodes" в "mylistofcompanynames"

шаг.3 используйте функцию soundex для возврата кодов soundex названий компаний в "soundexcodes"

шаг.4 скопируйте названия компаний и соответствующий код soundex в новый файл (2 столбца под названием "companynames" и "soundexcode") называется "companysoundexcodestrainingfile"

шаг.5 удалить дубликаты soundexcodes в "companysoundexcodestrainingfile"

шаг.6 пройдите через список оставшихся названий компаний и измените имена, как вы хотите, чтобы он появился в вашей оригинальной компании

пример: Amazon Inc A625 может быть Amazon A625 Accenture Limited A455 может быть Accenture a455

шаг.6 выполните left_join или (простой vlookup) между companysoundexcodestrainingfile$soundexcodes и mylistofcompanynames$soundexcodes с помощью "soundexcodes"

шаг.7 результат должен иметь исходный список с новым столбцом под названием " co.y", который имеет название компании так, как вы оставили его в файле обучения.

шаг.8 Сортировать " co.y " и проверьте, если большинство названия компаний совпадают правильно, если это так, замените старые названия компаний новыми, заданными vlookup кода soundex.