Внутреннее соединение ровно на одной колонне и размытое на другой

Question

У меня есть два кадра данных, к которым я хочу присоединиться. Они разделяют два поля: group_id а также person_name, Я хочу присоединиться именно на group_id и нечеткий на person_name, Как я могу это сделать?

Ограничения:

• Это должно быть внутреннее соединение. Так group_id именно так и person_name Нечеткие должны появляться в левой и правой рамках.
• Реальные кадры данных большие. Я попробовал ответ, предложенный Дэвидом Робинсоном, используя его пакет fuzzyjoin, но слишком много данных, чтобы создать декартово произведение перед фильтрацией.
• Я хотел бы получить ответ в тидиверсе, но это не является строго необходимым.

Вот небольшой пример:

a = data.frame(
    group_id=c(1,2,2,3,3,3),
    person_name=c('Alice', 'Bob', 'Charlie', 'David', 'Eve', 'Frank'),
    eye_color=c('brown', 'green', 'blue', 'brown', 'green', 'blue')
)
b = data.frame(
    group_id=c(2,2,2,3,3,3,3),
    person_name=c('Alie', 'Bobo', 'Charles', 'Charlie', 'Davis', 'Eva', 'Zed' ),
    hair_color=c('brown', 'brown', 'black', 'grey', 'brown', 'black', 'blond')
)
expected = data.frame(
    group_id=c(2,2,3,3),
    person_name_x=c('Bob', 'Charlie', 'David', 'Eve'),
    person_name_y=c('Bobo', 'Charles', 'Davis', 'Eva'),
    eye_color=c('green', 'blue', 'brown', 'green'),
    hair_color=c('brown', 'black', 'brown', 'black')
)

Answer 1

Вы могли бы попробовать

library(RecordLinkage)
library(tidyverse)
compare.linkage(a, b, strcmp = 2, exclude=3, blockfld = 1) %>% 
  epiWeights %>% 
  epiClassify(.8) %>% 
  getPairs(show="links", single.rows=T) %>% 
  .[(c(2,3,7,4,8))]
# group_id.1 person_name.1 person_name.2 eye_color.1 hair_color.2
# 3          2       Charlie       Charles        blue        black
# 2          2           Bob          Bobo       green        brown
# 4          3         David         Davis       brown        brown
# 5          3           Eve           Eva       green        black

Answer 2

В этом примере нам в основном нужно гибридное соединение. За один столбец (group_id), нам нужно точное совпадение имен столбцов, тогда как для другого столбца (person_name) нам нужно нечеткое соединение.

Один из способов сделать это:

library(fuzzyjoin)
common_id <- intersect(a$group_id, b$group_id)
stringdist_inner_join(a[a$group_id %in% common_id, ], b[b$group_id %in% common_id, ], 
                                                      by = "person_name")

# group_id.x person_name.x eye_color group_id.y person_name.y hair_color
#        <dbl>        <fctr>    <fctr>      <dbl>        <fctr>     <fctr>
#1          2           Bob     green          2          Bobo      Brown
#2          2       Charlie      blue          2       Charles      Black
#3          3         David     brown          3         Davis      Brown
#4          3           Eve     green          3           Eva      Black

Здесь мы сначала находим те общие group_idиспользую intersect которые присутствуют в обоих фреймах данных и фильтруют их соответственно a а также b а затем использовать stringdist_inner_join функция только person_name колонка. Мы можем позже удалить лишние group_id столбец, который был создан.