R中的记录链接包-为单个链接变量添加权重
我正在遵循使用华丽的RecordLink软件包的优秀教程。我将这一点应用到我自己的数据中,但我将仅使用教程来解释我的问题 在用于比较的两个数据集中,链接中使用了许多公共字段:R中的记录链接包-为单个链接变量添加权重,r,linkage,record-linkage,R,Linkage,Record Linkage,我正在遵循使用华丽的RecordLink软件包的优秀教程。我将这一点应用到我自己的数据中,但我将仅使用教程来解释我的问题 在用于比较的两个数据集中,链接中使用了许多公共字段: patents <- patents[,c("seq", "firstname", "lastname", "city", "state", "organization")] nsf <- nsf[, c("InvestigatorId", "FirstName", "LastName", "CityName
patents <- patents[,c("seq", "firstname", "lastname", "city", "state", "organization")]
nsf <- nsf[, c("InvestigatorId", "FirstName", "LastName", "CityName", "StateCode", "Name")]
names(nsf) <- names(patents)
patents您不能向emWeights()
输入其他信息,除非cutoff=
,它接受与属性数相同长度的单个值或向量。因此,您可以为已知准确的属性选择一个较高的截止值
,这样随机匹配的数量将最小化
除此之外,RecordLink中的EM算法不允许进一步定制
但是,有一个epiWeights()
挂件,它使用估计的错误率(默认值e=0.01
)和每个字段中值的平均频率(1/长度(唯一(所有值都在\u a\u字段中))计算0
和1
之间的权重
。您可以手动向函数提供,也可以通过这种方式调整结果
考虑这个例子:
t1 <- data.frame(Vorname = c("Karl", "Fritz"), Name = c("Meister", "Schulz"), stringsAsFactors = F)
t2 <- data.frame(Vorname = c("Karl", "Fritz"), Name = c("Meister", "Schulze"), stringsAsFactors = F)
> epiWeights(linkage)$Wdata # e = 0.01
[1] 1.0000000 0.0000000 0.0000000 0.3855691
> epiWeights(linkage, e = c(0.01, 0.3)$Wdata
[1] 1.0000000 0.0000000 0.0000000 0.3120078
t1体重指数(联动,e=c(0.01,0.3)$Wdata
[1] 1.0000000 0.0000000 0.0000000 0.3120078
如果假设字段Nachname的错误率较高,则权重会较低。您无法向emWeights()输入其他信息
,除了可能的截止=
,它接受单个值或与属性数相同长度的向量。因此,您可以为已知准确的属性选择一个高的截止
值,以便将随机匹配数降至最低
除此之外,RecordLink中的EM算法不允许进一步定制
但是,有一个epiWeights()
挂件,它使用估计的错误率(默认值e=0.01
)和每个字段中值的平均频率(1/长度(唯一(所有值都在\u a\u字段中))计算0
和1
之间的权重
。您可以手动向函数提供,也可以通过这种方式调整结果
考虑这个例子:
t1 <- data.frame(Vorname = c("Karl", "Fritz"), Name = c("Meister", "Schulz"), stringsAsFactors = F)
t2 <- data.frame(Vorname = c("Karl", "Fritz"), Name = c("Meister", "Schulze"), stringsAsFactors = F)
> epiWeights(linkage)$Wdata # e = 0.01
[1] 1.0000000 0.0000000 0.0000000 0.3855691
> epiWeights(linkage, e = c(0.01, 0.3)$Wdata
[1] 1.0000000 0.0000000 0.0000000 0.3120078
t1体重指数(联动,e=c(0.01,0.3)$Wdata
[1] 1.0000000 0.0000000 0.0000000 0.3120078
如果假设字段Nachname
的错误率较高,则权重较低
t1 <- data.frame(Vorname = c("Karl", "Fritz"), Name = c("Meister", "Schulz"), stringsAsFactors = F)
t2 <- data.frame(Vorname = c("Karl", "Fritz"), Name = c("Meister", "Schulze"), stringsAsFactors = F)
> epiWeights(linkage)$Wdata # e = 0.01
[1] 1.0000000 0.0000000 0.0000000 0.3855691
> epiWeights(linkage, e = c(0.01, 0.3)$Wdata
[1] 1.0000000 0.0000000 0.0000000 0.3120078