使用sqlite和dplyr进行R中的模糊匹配

我正在处理一个非常大的名称数据集，并使用RSQlite在R中运行它。我使用“groupby”dplyr将原始文件（1400万行）和相同的名称分组在一起。我还要确保单独的列计算值分组的次数以及它们的平均分数。它是一个单独的文件，我没有将它与主文件进行匹配。这很有效，但基于相同的字符串匹配，只会将文件减少到大约500万行

有没有办法通过模糊匹配将名称分组在一起，同时保留计数和平均值变量

以下是我正在使用的代码：

employees <- company %>%
select(name, score)

head(employees)

employeescores <- employees %>%
group_by(name) %>%
summarize(count = n(), score = mean(score))

write.csv(employeescores, file = "employeescores.csv",
row.names=FALSE)

employees%
选择（姓名、分数）
主管（雇员）
员工得分%
分组单位（名称）%>%
汇总（计数=n（），分数=平均值（分数））
write.csv（employeescores，file=“employeescores.csv”，
row.names=FALSE）

数据应该有多少员工？您将如何处理同名员工？（我公司的其他人与我同名，我们的员工比你少得多）。返回原始数据并添加唯一ID（例如员工ID号）可能是唯一完整的解决方案。模糊匹配在这里很难，因为它可能需要干预来决定“足够”接近的程度。我已经完成了成对字符串匹配，对结果进行聚类，然后手动确定聚类是否有效，但这对500万个唯一名称不起作用。可复制的数据会有所帮助。如果我们可以假设我的数据集中的名称比您预期的更独特，并且我主要处理标点符号/拼写/前缀/后缀，那么什么是处理这一问题的好方法？特别是如果我以后对手动检查感兴趣，那么函数

utils:：adist

可能就是您想要开始的地方。然而，500万个名字之间的成对比较将有点极端。如果您有一个标准化名称的数据库，我可能首先确定与您的数据库最匹配的名称。也就是说，对于每个唯一的姓名，从您已知的名册中找到单个最佳匹配项，然后将其分配为一个新列（例如“bestMatchName”），并在汇总时打印唯一匹配项（来自分数数据），以确认所有匹配项都是合法的。这些数据应该有多少名员工？您将如何处理同名员工？（我公司的其他人与我同名，我们的员工比你少得多）。返回原始数据并添加唯一ID（例如员工ID号）可能是唯一完整的解决方案。模糊匹配在这里很难，因为它可能需要干预来决定“足够”接近的程度。我已经完成了成对字符串匹配，对结果进行聚类，然后手动确定聚类是否有效，但这对500万个唯一名称不起作用。可复制的数据会有所帮助。如果我们可以假设我的数据集中的名称比您预期的更独特，并且我主要处理标点符号/拼写/前缀/后缀，那么什么是处理这一问题的好方法？特别是如果我以后对手动检查感兴趣，那么函数

utils:：adist

可能就是您想要开始的地方。然而，500万个名字之间的成对比较将有点极端。如果您有一个标准化名称的数据库，我可能首先确定与您的数据库最匹配的名称。也就是说，对于每个唯一的姓名，从您已知的名册中找到单个最佳匹配项，然后将其指定为新列（例如“bestMatchName”），并在汇总时打印唯一匹配项（来自分数数据），以确认所有匹配项都是合法的。