R：pmatch：“TERESA DEL CA”与“TERESA DEL#CARMEN”不匹配

Question

我有两个数据几乎相同的数据框：

Test.Takers，包含 29260 个观察值和以下列名称：

Paternal.Name、Maternal.Name、First.Name、Application.Number

和 Every.Student.In.The.Country 具有 12000000 次观察的以下列名称：

Paternal.Name、Maternal.Name、First.Name、Application.Number

Test.Takers$Application.Number 填充了 NA 值，我想用 Every.Student.In.The.Country 中的 Application.Numbers 填充该字段>。

我尝试通过对 Every.Student.In.The.Country 中的 Paternal.Names 和 Maternal.Names 进行子集化来做到这一点。然后，我将使用以下代码填写 Test.Takers$Application.Number：

Test.Takers$Application.Number[i] <- subset$Application.Number[pmatch(as.character(Test.Taker$First.Name[i]), subset$First.Names)]

这可以填写大约 2/3 的 Test.Takers$Application.Number。在试图弄清楚为什么这么多 Test.Takers$Application.Number 仍然是 NA 后，我发现 Every.Student.In.The.Country$First.Name 中的一些名称包含“#”。我认为“#”会抛出 pmatch 函数，因此 Test.Takers$First.Name 中的名称（例如“TERESA DEL CA”）与 Every 中的名称不匹配。 Student.In.The.Country$First.Name 例如“TERESA DEL#CARMEN”。

任何关于如何解决这个问题的建议都会很棒。我有一种感觉，类似于正则表达式函数的东西可能会有所帮助，但我不太确定。

编辑：这是一些复制问题的示例代码。请记住，我正在处理的真实数据非常大 - 每个大约 30000 和 12000000 个观察值。如果您查看此代码并发现任何效率低下的地方，请告诉我。

Test.Takers <- data.frame(
    Paternal.Name = c('Last', 'Last', 'Paternal'),
    Maternal.Name = c('Maternal', 'Last', 'Last'),
    First.Name = c('First', 'Name', 'TERESA DEL CA'),
    Application.Number = NA)

Every.Student.In.The.Country <- data.frame(
    Paternal.Name = c('Last', 'Last', 'Last', 'Paternal', 'Paternal', 'Paternal'),
    Maternal.Name = c('Maternal', 'Last', 'Maternal', 'Last', 'Maternal', 'Last'),
    First.Name = c('First', 'Name', 'Whatever', 'TERESA DEL#CARMEN', 'Another', 'Something Else'),
    Application.Number = c(123, 456, 789, 234, 567, 890)
)

#a place holder that will hold a subset of all a selected paternal last names
indexp <- data.frame(Paternal.Name='name')

for(i in 1:nrow(Test.Takers)) {
    namep <- as.character(Test.Takers$Paternal.Name[i])

    #below if statement prevents us from having to subset the paternal lastname unnecessarily

    if(is.na(indexp$Paternal.Name[1]) == T | as.character(indexp$Paternal.Name[1]) != namep) { 
        indexp <- subset(Every.Student.In.The.Country, Paternal.Name == as.character(Test.Takers$Paternal.Name[i]))
    }

    #below if-statement prevents an error that arrises
    #when a paternal last name does not exist
    #in the Every.Student.In.The.Country file

    if(is.na(indexp$Paternal.Name[1]) == F) {


    #group paternal last names by maternal last names
    indexm <- subset(indexp, Maternal.Name == as.character(Test.Takers$Maternal.Name[i]))    

    #find a partial string match to find an exact or similiar first name within the selected
    #last name subset. Attaches a application.number if a match is found

    Test.Takers$Application.Number[i] <- indexm$Application.Number[pmatch(as.character(Test.Takers$First.Name[i]), indexm$First.Name)]     
}}

Answer 1

如果 # 符号是唯一的问题，您可以在函数中添加 duplicates.ok=TRUE Test.Takers$Application.Number[i] <- subset$Application.Number[pmatch(as.character(Test.Taker$First.Name[i]), subset$First.Names),dup=T]

或者你可以去掉#号 Test.Takers$Application.Number[i] <- subset$Application.Number[pmatch(as.character(Test.Taker$First.Name[i]),gsub("#"," ",subset$First.Names))]