Нечеткое соединение с перестановками в строках

Question

Я использую fuzzyjoin пересекать политиков и их соответствующие регионы:

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)

На моем примере "Фульвио Росси Чокка" и "Росси Чокка Фульвио" - это одно и то же лицо. Фактически, все данные в моих наборах данных содержат тех же людей, но с такими вариациями, как "Леннон Джон" вместо "Джон Леннон".

Я посмотрел fuzzyjoin документация, но я не нахожу способ написать рабочую версию этого псевдокода:

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

Answer 1

Вы можете создать уникальную "нормализованную" версию каждого имени, отсортировав его части по алфавиту.

Тогда два имени можно считать идентичными, если они имеют одинаковую нормализованную форму.

Следовательно, возможное решение:

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