我有两个大型数据集,一个大约一百万条记录,另一个大约 70K。这些数据集有地址。如果较小数据集中的任何地址存在于较大数据集中,我想匹配。正如您想象的那样,地址可以以不同的方式和不同的情况/拼写等方式编写。除此之外,如果只写到建筑物级别,则可以复制此地址。所以不同的公寓有相同的地址。我做了一些研究,并找出了可以使用的包 stringdist。
我做了一些工作,并设法根据距离获得最接近的匹配。但是,我无法返回地址匹配的相应列。
下面是一个示例虚拟数据以及我为解释这种情况而创建的代码
library(stringdist)
Address1 <- c("786, GALI NO 5, XYZ","rambo, 45, strret 4, atlast, pqr","23/4, 23RD FLOOR, STREET 2, ABC-E, PQR","45-B, GALI NO5, XYZ","HECTIC, 99 STREET, PQR","786, GALI NO 5, XYZ","rambo, 45, strret 4, atlast, pqr")
Year1 <- c(2001:2007)
Address2 <- c("abc, pqr, xyz","786, GALI NO 4 XYZ","45B, GALI NO 5, XYZ","del, 546, strret2, towards east, pqr","23/4, STREET 2, PQR","abc, pqr, xyz","786, GALI NO 4 XYZ","45B, GALI NO 5, XYZ","del, 546, strret2, towards east, pqr","23/4, STREET 2, PQR")
Year2 <- c(2001:2010)
df1 <- data.table(Address1,Year1)
df2 <- data.table(Address2,Year2)
df2[,unique_id := sprintf("%06d", 1:nrow(df2))]
fn_match = function(str, strVec, n){
strVec[amatch(str, strVec, method = "dl", maxDist=n,useBytes = T)]
}
df1[!is.na(Address1)
, address_match :=
fn_match(Address1, df2$Address2,3)
]
这将返回基于距离 3 的封闭字符串匹配,但是我希望在 df1 中也有来自 df2 的“Year”和“unique_id”列。这将帮助我知道字符串与 df2 中的哪一行数据匹配。所以最后我想知道df1 中的每一行,根据指定的距离,与 df2 最接近的匹配是什么,并且对于匹配的行,来自 df2 的特定“Year”和“unique_id”。
我想这与合并(左连接)有关,但我不确定如何合并以保留重复项并确保我具有与 df1(小型数据集)中相同的行数。
任何一种解决方案都会有所帮助!