合并具有部分 id 的数据帧答案

【问题标题】：Merge data frames with partial id合并具有部分 id 的数据帧
【发布时间】：2014-08-16 09:20:01
【问题描述】：

假设我有这两个数据框：

> df1 <- data.frame(name = c('John Doe',
                             'Jane F. Doe',
                             'Mark Smith Simpson',
                             'Sam Lee'))
> df1
                name
1           John Doe
2        Jane F. Doe
3 Mark Smith Simpson
4            Sam Lee

> df2 <- data.frame(family = c('Doe', 'Smith'), size = c(2, 6))
> df2
  family size
1    Doe    2
2  Smith    6

我想合并两个数据框以获得这个：

                name family size
1           John Doe    Doe    2
2        Jane F. Doe    Doe    2
3 Mark Smith Simpson  Smith    6
4            Sam Lee   <NA>   NA

但除了以下非常复杂的解决方案之外，我无法找到一种方法来做到这一点，这与我的真实数据变得非常混乱，其中有超过 100 个“姓氏”：

> df3 <- within(df1, {
    family <- ifelse(test = grepl('Doe', name),
                     yes  = 'Doe',
                     no   = ifelse(test = grepl('Smith', name),
                                   yes  = 'Smith',
                                   no   = NA))
  })
> merge(df3, df2, all.x = TRUE)
  family               name size
1    Doe           John Doe    2
2    Doe        Jane F. Doe    2
3  Smith Mark Smith Simpson    6
4   <NA>            Sam Lee   NA

我已尝试查看 pmatch 以及 R partial match in data frame 提供的解决方案，但仍然没有找到我想要的。

【问题讨论】：

标签： r merge dataframe match partial

【解决方案1】：

您可以将姓名拆分为查找表格式，而不是尝试使用正则表达式和部分匹配，在该格式中，人名的每个组成部分都保持在一行中，并与他们的全名匹配：

df1 <- data.frame(name = c('John Doe',
                           'Jane F. Doe',
                           'Mark Smith Simpson',
                           'Sam Lee'),
                  stringsAsFactors = FALSE)
df2 <- data.frame(family = c('Doe', 'Smith'), size = c(2, 6),
                  stringsAsFactors = FALSE)


library(tidyr)
library(dplyr)

str_df <- function(x) {
  ss <- strsplit(unlist(x)," ")
  data.frame(family = unlist(ss),stringsAsFactors = FALSE)
  }

splitnames <- df1 %>%
  group_by(name) %>%
  do(str_df(.))

splitnames 

                 name  family
1         Jane F. Doe    Jane
2         Jane F. Doe      F.
3         Jane F. Doe     Doe
4            John Doe    John
5            John Doe     Doe
6  Mark Smith Simpson    Mark
7  Mark Smith Simpson   Smith
8  Mark Smith Simpson Simpson
9             Sam Lee     Sam
10            Sam Lee     Lee

现在您只需将其与df2 合并或加入即可获得答案：

left_join(df2,splitnames)

Joining by: "family"
  family size               name
1    Doe    2        Jane F. Doe
2    Doe    2           John Doe
3  Smith    6 Mark Smith Simpson

潜在问题：如果一个人的名字与其他人的姓氏相同，您将得到一些不正确的匹配！

【讨论】：

【解决方案2】：

这是一种策略，您可以使用 lapply 和 grep 匹配所有姓氏。这将在任何位置找到它们。首先让我定义一个辅助函数

transindex<-function(start=1) {
    function(x) {
        start<<-start+1
        ifelse(x, start-1, NA)
    }
}

我还将使用函数coalesce.R 让事情变得更简单。在这里，我将运行代码以匹配 df2 到 df1

idx<-do.call(coalesce, lapply(lapply(as.character(df2$family), 
     function(x) grepl(paste0("\\b", x, "\\b"), as.character(df1$name))),
     transindex()))

从内部开始，我循环遍历df2 和grep 中的所有姓氏以获得这些值（在模式中添加“\b”，以便匹配整个单词）。 grepl 将返回一个逻辑向量 (TRUE/FALSE)。然后我应用上面的辅助函数transindex() 将这些向量更改为df2 中匹配的行的索引，或者NA。由于一行可能匹配多个家族，我只是使用coalesce 辅助函数选择第一个。

不是我可以将df1 中的行匹配到df2，我可以将它们放在一起

cbind(df1, size=df2[idx,])

                    name family size
# 1             John Doe    Doe    2
# 1.1        Jane F. Doe    Doe    2
# 2   Mark Smith Simpson  Smith    6
# NA             Sam Lee   <NA>   NA

【讨论】：

对于不正确的答案，我深表歉意。我应该向提出问题的用户澄清，而不是假设他们想要姓氏的最后一部分。答案已被删除。
@ccapizzano 不用担心。您实际上指出了我能够纠正的结果中的错误。我只是想确保您知道您的样本与测试数据不匹配，以防您想更新它。如果它以这种方式出现，我并不打算苛刻。

【解决方案3】：

另一种看起来有效的方法，至少对于示例数据：

df1name = as.character(df1$name)
df1name
#[1] "John Doe"           "Jane F. Doe"        "Mark Smith Simpson" "Sam Lee"           
regmatches(df1name, regexpr(paste(df2$family, collapse = "|"), df1name), invert = T) <- ""
df1name
#[1] "Doe"   "Doe"   "Smith" ""     
cbind(df1, df2[match(df1name, df2$family), ])
#                  name family size
#1             John Doe    Doe    2
#1.1        Jane F. Doe    Doe    2
#2   Mark Smith Simpson  Smith    6
#NA             Sam Lee   <NA>   NA

【讨论】：