在R中的RecordLink包中使用函数RLBigDataLinkage记录链接数据帧

我想链接两个使用不同数字键但类似字符串的数据帧。具体而言，一个数据帧使用数字键

GVKEY

和公司名称

CONML

> head(temp.compustat[order(temp.compustat$CONML, decreasing = T), ])
        GVKEY             CONML
225994  13023  ZZZZ Best Co Inc
211017  11696       Zytrex Corp
213816  11951 Zytec Systems Inc
309886  29163        Zytec Corp
373950 129441         Zynex Inc
383184 145228  ZymoGenetics Inc
> dim(temp.compustat)
[1] 31354     2

另一个数据框使用不同的数字键

companyid

和公司名称

company

，这可能与第一个数据库中的

CONML

略有不同

> head(temp.dealscan[ order(temp.dealscan$company, decreasing = T), ])
      companyid            company
70473     18192 Zytec Corp 
32025     16969 Zynaxis Inc
19714     92271 ZYGO Teraoptix Inc
80473     13185 Zygo Corp 
1901      24303 Zycon Corp SDN Bhd 
33993     21219 Zycon Corp

> dim(temp.dealscan)
[1] 85818     2

（我是反向排序的，因为DealScan数据库在某些条目的开头有空格和*）。似乎包

RecordLinkage

中的函数

RLBigDataLinkage

就是解决方案，但我甚至无法让无监督链接工作。这是我的错误

> library(RecordLinkage)
> rpairs <- RLBigDataLinkage(dataset1 = temp.compustat, dataset2 = temp.dealscan, exclude = 1, strcmp = 2, strcmpfun = "levenshtein")
> result <- epiClassify(rpairs, threshold.upper = 0.5)
Error in if (max <= min) stop("must have max > min") : 
  missing value where TRUE/FALSE needed
In addition: Warning message:
In nData1 * nData2 : NAs produced by integer overflow

>库（记录链接）
>rpairs结果（1000个条目）。谢谢
 这是由于软件包代码中的一个错误造成的，该错误现已修复。固定版本将在R-Forge的项目现场提供(https://r-forge.r-project.org/projects/recordlinkage)可能到明天早上。请注意，它取决于data.table软件包的1.5.4版，该软件包目前在CRAN上不可用，但在R-Forge上可用(https://r-forge.r-project.org/projects/datatable/).
+1表示问题。关于前导空格，我发现gdata包中的trim函数很有用。