R 按条件的字符串距离矩阵

我写了一个脚本来对公司名称进行模糊匹配。我将一些不总是完全正确的公司名称（即可能有小的拼写错误或“inc.”后缀缺失）与“正确”的公司名称和ID进行匹配。显然，关键是要将ID正确地附加到不总是正确的公司名称上

下面是我正在匹配的数据集的一些非常简化的版本（我还没有使用zip部分，但稍后将返回）：

---

我就是想不出一个办法。有什么想法吗？

我有一些想法。如果不需要距离矩阵，可以这样求解。我使用dplyr是因为我更了解它。您可以将代码拆分为多个部分，而不是一个dplyr命令。或者使用data.table。这可能更快

采取的步骤：

使用zip上的内部连接连接df和语料库。这将删除所有不需要的记录，并且您的公司名称彼此相邻

计算公司名称之间的距离

按原公司分组

基于最小距离的滤波器

这些步骤避免了先创建矩阵，然后寻找最小值或将其他值放入NA

library(stringdist)
library(dplyr)

df <- data.frame(zip = c("4760","5445", "2200"), company = c("company x", "company y", "company z"))
corpus <- data.frame(zip = c("4760","5445", "2200", "2200", "2200"), company = c("company x inc.", "company y inc.", "company z inc.", "company a inc.", "company b inc."), id = c(12121212, 23232323, 34343434, 56565656, 67676767))


distance.method <- c("jw")

combined_min_distance <- inner_join(df, corpus, by = "zip" ) %>% 
  mutate(distance = stringdist(tolower(combined$company.x),
                    tolower(combined$company.y),
                    method = distance.method,
                    nthread = getOption("sd_num_thread"))) %>% 
  group_by(company.x) %>% 
  filter(distance == min(distance))

combined_min_distance

     zip company.x      company.y       id  distance
  (fctr)    (fctr)         (fctr)    (dbl)     (dbl)
1   2200 company z company z inc. 34343434 0.1190476
2   4760 company x company x inc. 12121212 0.1190476
3   5445 company y company y inc. 23232323 0.1190476

库（stringdist）
图书馆（dplyr）
df我有一些想法。如果不需要距离矩阵，可以这样求解。我使用dplyr是因为我更了解它。您可以将代码拆分为多个部分，而不是一个dplyr命令。或者使用data.table。这可能更快

采取的步骤：

使用zip上的内部连接连接df和语料库。这将删除所有不需要的记录，并且您的公司名称彼此相邻
计算公司名称之间的距离
按原公司分组
基于最小距离的滤波器
这些步骤避免了先创建矩阵，然后寻找最小值或将其他值放入NA

library(stringdist)
library(dplyr)

df <- data.frame(zip = c("4760","5445", "2200"), company = c("company x", "company y", "company z"))
corpus <- data.frame(zip = c("4760","5445", "2200", "2200", "2200"), company = c("company x inc.", "company y inc.", "company z inc.", "company a inc.", "company b inc."), id = c(12121212, 23232323, 34343434, 56565656, 67676767))


distance.method <- c("jw")

combined_min_distance <- inner_join(df, corpus, by = "zip" ) %>% 
  mutate(distance = stringdist(tolower(combined$company.x),
                    tolower(combined$company.y),
                    method = distance.method,
                    nthread = getOption("sd_num_thread"))) %>% 
  group_by(company.x) %>% 
  filter(distance == min(distance))

combined_min_distance

     zip company.x      company.y       id  distance
  (fctr)    (fctr)         (fctr)    (dbl)     (dbl)
1   2200 company z company z inc. 34343434 0.1190476
2   4760 company x company x inc. 12121212 0.1190476
3   5445 company y company y inc. 23232323 0.1190476

库（stringdist）
图书馆（dplyr）
df下面的方法使用
dplyr
并从phiver的
连接两个数据帧的方法开始，然后继续生成类似于
string.dist.matrix
的数据帧，或者以压缩的“键值”形式生成数据帧。我已将另一家公司添加到您的
df
数据框中，以包括多家公司使用相同的
df-zip
的情况

距离矩阵版本
是:

但是，由于
df
矩阵中有4000行，整个字符串距离矩阵非常大，有许多NA。更高效的版本使用
tidyr
包中的
gather
功能，以
键值
格式生成结果。在这种方法中，一些变量形成唯一的键，然后这些键具有关联的值。
tidyr
包的vignette更详细地解释了这一点。在您的例子中，
语料库
公司名称和
df
公司名称构成
键
，它们名称之间的字符串距离是
值
。这是针对每个邮政编码执行的，因此不会存储完整的字符串距离矩阵。您也可能会发现，在后续分析中使用此选项更容易。代码仅在最后一行与上一版本不同

library(tidyr)
dist_keyval <- inner_join(corpus, df, by = "zip") %>%
               mutate(corpus_co=tolower(as.character(company.x)), df_co=tolower(as.character(company.y)), company.x=NULL, company.y=NULL) %>%
               group_by(zip) %>%
               do( { dist_df=data.frame(unique(.$corpus_co), 
                               stringdistmatrix(unique(.$corpus_co), unique(.$df_co), method=distance.method), stringsAsFactors=FALSE);
                     colnames(dist_df) = c("corpus_co", unique(.$df_co));
                     gather(dist_df, key=df_co, value=str_dist, -corpus_co)})

已编辑

查找
corpus_co
的代码是，它是每个
df_co
的最小距离：

 dist_min <- dist_keyval %>% group_by(zip, df_co) %>%
                slice(which.min(str_dist))

最后一个
select
显示了如何按特定顺序重新排列列。
下面的方法使用
dplyr
并从phiver的
连接两个数据帧的方法开始，然后继续生成类似于
string.dist.matrix
的数据帧或压缩格式的数据帧“关键值”表单。我已将另一家公司添加到您的
df
数据框中，以包括多家公司使用相同
df-zip
的情况

距离矩阵版本
是:

但是，由于
df
矩阵中有4000行，许多NA的完整字符串距离矩阵非常大。更高效的版本使用
tidyr
包中的
gather
函数生成
键值
格式的结果。在这种方法中，一些变量形成唯一的键，然后具有ass关联值。
tidyr
包的渐晕图更详细地解释了这一点。在您的案例中，
语料库
公司名称和
df
公司名称构成
键
，它们名称之间的字符串距离是
值
。这是针对每个邮政编码完成的，因此完整的字符串距离矩阵是从未存储。您可能会发现，在后续分析中使用此代码更容易。代码仅在最后一行与以前的版本不同

library(tidyr)
dist_keyval <- inner_join(corpus, df, by = "zip") %>%
               mutate(corpus_co=tolower(as.character(company.x)), df_co=tolower(as.character(company.y)), company.x=NULL, company.y=NULL) %>%
               group_by(zip) %>%
               do( { dist_df=data.frame(unique(.$corpus_co), 
                               stringdistmatrix(unique(.$corpus_co), unique(.$df_co), method=distance.method), stringsAsFactors=FALSE);
                     colnames(dist_df) = c("corpus_co", unique(.$df_co));
                     gather(dist_df, key=df_co, value=str_dist, -corpus_co)})

已编辑

查找
corpus_co
的代码是，它是每个
df_co
的最小距离：

 dist_min <- dist_keyval %>% group_by(zip, df_co) %>%
                slice(which.min(str_dist))

最后一个
select
显示如何将列重新排列为特定顺序。
您可以使用
stringdist:：amatch
并避免计算完整的stringdist矩阵

df <- data.frame(zip = c("4760","5445", "2200"), company = c("company x", "company y", "company z"))
corpus <- data.frame(zip = c("4760","5445", "2200", "2200", "2200"), company = c("company x inc.", "company y inc.", "company z inc.", "company a inc.", "company b inc."), id = c(12121212, 23232323, 34343434, 56565656, 67676767))


i <- stringdist::amatch(df$company,corpus$company,maxDist=5)
merged <- data.frame(df$company,corpus$company[i])
merged

> merged
  df.company corpus.company.i.
1  company x    company x inc.
2  company y    company y inc.
3  company z    company z inc.

您可以使用
stringdist:：amatch
并避免计算完整的stringdist矩阵

df <- data.frame(zip = c("4760","5445", "2200"), company = c("company x", "company y", "company z"))
corpus <- data.frame(zip = c("4760","5445", "2200", "2200", "2200"), company = c("company x inc.", "company y inc.", "company z inc.", "company a inc.", "company b inc."), id = c(12121212, 23232323, 34343434, 56565656, 67676767))


i <- stringdist::amatch(df$company,corpus$company,maxDist=5)
merged <- data.frame(df$company,corpus$company[i])
merged

> merged
  df.company corpus.company.i.
1  company x    company x inc.
2  company y    company y inc.
3  company z    company z inc.

感谢你和Phiver。我仍在努力理解所有内容，但我得到了整体概念，并且它按照它应该的方式工作。我一直在尝试向最终结果添加更多列，但似乎不知道如何添加。我明白，在这么长的链中，最后五列丢失了，但具体在哪里？感谢b还有你和菲弗。我仍在努力理解所有内容，但我得到了整体概念，并且它按它应该的方式工作。我一直在尝试为最终结果添加更多的列，但似乎不知道如何添加。我知道，最后五列是在长链中丢失的，但具体在哪里？我需要
 dist_min <- dist_keyval %>% group_by(zip, df_co) %>%
                slice(which.min(str_dist))

final_result <- corpus %>% mutate(lower_co = tolower(as.character(company)))  %>%
            right_join(dist_min, by = c("zip", "lower_co" = "corpus_co") ) %>%
            select(c(df_co, company, id),  everything(), -lower_co)

      df_co        company       id  zip  str_dist
1 company a company a inc. 56565656 2200 0.1190476
2 company z company z inc. 34343434 2200 0.1190476
3 company x company x inc. 12121212 4760 0.1190476
4 company y company y inc. 23232323 5445 0.1190476

df <- data.frame(zip = c("4760","5445", "2200"), company = c("company x", "company y", "company z"))
corpus <- data.frame(zip = c("4760","5445", "2200", "2200", "2200"), company = c("company x inc.", "company y inc.", "company z inc.", "company a inc.", "company b inc."), id = c(12121212, 23232323, 34343434, 56565656, 67676767))


i <- stringdist::amatch(df$company,corpus$company,maxDist=5)
merged <- data.frame(df$company,corpus$company[i])
merged

> merged
  df.company corpus.company.i.
1  company x    company x inc.
2  company y    company y inc.
3  company z    company z inc.

lookup <- gsub(" inc.$","",corpus$company)
i2 <- stringdist::amatch(df$company,lookup,maxDist=2)
merged2 <- data.frame(df$company,corpus$company[i2])