查看列表中的哪个向量包含在另一个列表中的向量中（查找人名匹配）

Question

我有一个人名向量列表，其中每个向量只有名字和姓氏，我还有另一个向量列表，其中每个向量都有名字、中间名和姓氏。我需要匹配这两个列表以找到同时包含在两个列表中的人。因为名称不按顺序排列（有些向量将名字作为第一个值，而另一些向量将姓氏作为第一个值），我想通过在第二个列表中查找哪个向量来匹配这两个向量（全名) 包含第一个列表中向量的所有值（仅限名字和姓氏）。

到目前为止我做了什么：

#reproducible example
first_last_names_list <- list(c("boy", "boy"),
                       c("bob", "orengo"),
                       c("kalonzo", "musyoka"),
                       c("anami", "lisamula"))

full_names_list <- list(c("boy", "juma", "boy"), 
                        c("stephen", "kalonzo", "musyoka"),
                        c("james", "bob", "orengo"),
                        c("lisamula", "silverse", "anami"))

首先，我尝试创建一个函数来检查一个向量是否包含在另一个向量中（主要基于来自here 的代码）。

my_contain <- function(values,x){
    tx <- table(x)
    tv <- table(values)
    z <- tv[names(tx)] - tx
    if(all(z >= 0 & !is.na(z))){
       paste(x, collapse = " ")
       }
    }

#value would be the longer vector (from full_name_list) 
#and x would be the shorter vector(from first_last_name_list)

然后，我尝试将这个函数放在 sapply() 中，以便我可以处理列表，这就是我卡住的地方。我可以查看一个向量是否包含在向量列表中，但我不确定如何检查一个列表中的所有向量，看看它是否包含在第二个列表中的任何向量中。

#testing with the first vector from first_last_names_list. 
#Need to make it run through all the vectors from first_last_names_list.

sapply(1:length(full_names_list),
   function(i) any(my_contain(full_names_list[[i]], 
                              first_last_names_list[[1]]) == 
                              paste(first_last_names_list[[1]], collapse = " ")))

#[1]  TRUE FALSE FALSE FALSE

最后——尽管在一个问题中问得太多了——如果有人可以给我任何关于如何将 agrep() 用于模糊匹配以解决名称中的拼写错误的指示，那就太好了！如果没有，那也没关系，因为我想至少先找到匹配的部分。

Answer 1

由于您正在处理lists，因此最好将它们折叠成向量以便于处理正则表达式。但你只是按升序排列它们。在这种情况下，您可以轻松匹配它们：

lst=sapply(first_last_names_list,function(x)paste0(sort(x),collapse=" "))
 lst1=gsub("\\s|$",".*",lst)
 lst2=sapply(full_names_list,function(x)paste(sort(x),collapse=" "))
 (lst3 = Vectorize(grep)(lst1,list(lst2),value=T,ignore.case=T))
               boy.*boy.*             bob.*orengo.*        kalonzo.*musyoka.*         anami.*lisamula.* 
           "boy boy juma"        "bob james orengo" "kalonzo musyoka stephen" "anami lisamula silverse" 

现在如果你想链接first_name_last_name_list 和full_name_list 那么：

setNames(full_names_list[ match(lst3,lst2)],sapply(first_last_names_list[grep(paste0(names(lst3),collapse = "|"),lst1)],paste,collapse=" "))
$`boy boy`
[1] "boy"  "juma" "boy" 

$`bob orengo`
[1] "james"  "bob"    "orengo"

$`kalonzo musyoka`
[1] "stephen" "kalonzo" "musyoka"

$`anami lisamula`
[1] "lisamula" "silverse" "anami"   

其中名称来自 first_last_list，元素为 full_name_list。处理字符向量而不是列表对您来说会很棒：

Answer 2

编辑我已修改解决方案以满足“John John”等重复名称不应与“John Smith”匹配的约束。

apply(sapply(first_last_names_list, unlist), 2, function(x){
        any(sapply(full_names_list, function(y) sum(unlist(y) %in% x) >= length(x)))
    })

这个解决方案仍然使用 %in% 和 apply 函数，但它现在执行一种反向搜索 - 对它查看的 first_last 名称中的每个元素 在full_names 列表中的每个名称中有多少字匹配。如果此数字大于或等于正在考虑的 first_list 名称项中的单词数（在您的示例中始终为 2 个单词，但代码适用于任何数字），它返回 TRUE .然后这个逻辑数组与ANY 聚合，以传回单个向量，显示每个 first_last 是否与任何 full_name 匹配。

因此，例如，“John John”不会与“John Smith Random”匹配，因为“John Smith Random”中的 3 个单词中只有 1 个匹配。但是，它将匹配到“John Adam John”，因为“John Adam John”中的 3 个单词中有 2 个匹配，并且 2 等于“John John”的长度。它也会与“John John John John John”匹配，因为 5 个单词中有 5 个匹配，大于 2。

Answer 3

代替 my_contain，试试

x %in% values

也许还可以取消列出并使用数据框？不确定你是否考虑过——可能会让事情变得更容易：

# unlist to vectors
fl <- unlist(first_last_names_list)
fn <- unlist(full_names_list)

# grab individual names and convert to dfs; 
# assumptions: first_last_names_list only contains 2-element vectors
#              full_names_list only contains 3-element vectors
first_last_df <- data.frame(first_fl=fl[c(T, F)],last_fl=fl[c(F, T)])
full_name_df <- data.frame(first_fn=fn[c(T,F,F)],mid_fn=fn[c(F,T,F)],last_fn=fn[c(F,F,T)])

Answer 4

或者你可以这样做：

first_last_names_list <- list(c("boy", "boy"),
                          c("bob", "orengo"),
                          c("kalonzo", "musyoka"),
                          c("anami", "lisamula")) 

full_names_list <- list(c("boy", "juma", "boy"), 
                    c("stephen", "kalonzo", "musyoka"),
                    c("james", "bob", "orengo"),
                    c("lisamula", "silverse", "anami"),
                    c("musyoka", "jeremy", "kalonzo")) # added just to test

# create copies of full_names_list without middle name; 
# one list with matching name order, one with inverted order
full_names_short <- lapply(full_names_list,function(x){x[c(1,3)]})
full_names_inv <- lapply(full_names_list,function(x){x[c(3,1)]})

# check if names in full_names_list match either
full_names_list[full_names_short %in% first_last_names_list | full_names_inv %in% first_last_names_list]

在这种情况下，%in% 完全按照您的要求执行，它会检查完整的名称向量是否匹配。