按标准的字符串距离矩阵

Question

我编写了一个脚本来对公司名称进行一些模糊匹配。我正在将一些并非总是完全正确的公司名称（即可能存在小的拼写错误或“inc.”后缀丢失）与“正确”公司名称和 ID 的语料库进行匹配。显然，关键是将 ID 正确附加到并非总是正确的公司名称上。

这里是我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，但稍后会回到它）：

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))

df
   zip   company
1 4760 company x
2 5445 company y
3 2200 company z

corpus
   zip        company       id
1 4760 company x inc. 12121212
2 5445 company y inc. 23232323
3 2200 company z inc. 34343434
4 2200 company a inc. 56565656
5 2200 company b inc. 67676767

然后我使用下面这段代码来创建一个字符串距离矩阵

library(stringdist)
distance.method <- c("jw")

string.dist.matrix <- stringdistmatrix(tolower(corpus$company),
                                       tolower(df$company),
                                       method = distance.method,
                                       nthread = getOption("sd_num_thread"))

string.dist.matrix

          [,1]      [,2]      [,3]
[1,] 0.1190476 0.1798942 0.1798942
[2,] 0.1798942 0.1190476 0.1798942
[3,] 0.1798942 0.1798942 0.1190476
[4,] 0.1798942 0.1798942 0.1798942
[5,] 0.1798942 0.1798942 0.1798942

然后我继续匹配最小距离对。通常，我想将 4000 家公司与 4,5 mio 的语料库进行匹配。公司，至少可以说需要一些计算能力。我的想法是，我不会计算所有可能对之间的字符串距离，而是只为共享邮政编码的人计算它。正如我所看到的，与我在这里用简化数据说明的情况相比，对于更复杂的情况，结果将是更少的计算量和更高的模糊匹配精度。

简而言之，我想要的结果矩阵是这样的：

     [,1]            [,2]              [,3]
[1,] 0.1190476       NA                NA
[2,] NA              0.1190476         NA
[3,] NA              NA                0.1190476
[4,] NA              NA                0.1798942
[5,] NA              NA                0.1798942

我似乎无法找到一种方法来做到这一点。有什么想法吗？

Answer 1

以下方法使用dplyr 并从phiver 的joining 方法开始这两个数据帧，然后继续生成类似于string.dist.matrix 的数据帧或压缩“关键值”中的数据帧形式。我已将另一家公司添加到您的 df 数据框中，以包括多个公司具有相同 df zip 的情况。

距离矩阵版本 是：

 df <- data.frame(zip = c("4760","5445", "2200","2200"), company = c("company x", "company y", "company z","company a"))
  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))

    # large matrix version
    library(dplyr)
    dist_mat <- 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));
            dist_df}) 

结果

     zip      corpus_co company z company a company x company y
  (fctr)          (chr)     (dbl)     (dbl)     (dbl)     (dbl)
1   2200 company z inc. 0.1190476 0.1798942        NA        NA
2   2200 company a inc. 0.1798942 0.1190476        NA        NA
3   2200 company b inc. 0.1798942 0.1798942        NA        NA
4   4760 company x inc.        NA        NA 0.1190476        NA
5   5445 company y inc.        NA        NA        NA 0.1190476

但是，df 矩阵中有 4000 行，完整的字符串距离矩阵非常大，有很多 NA。更高效的版本使用tidyr 包中的gather 函数生成key value 格式的结果。在这种方法中，一些变量形成唯一的键，然后具有相关的值。 tidyr 包的小插图更详细地解释了这一点。在您的情况下，corpus 公司名称和 df 公司名称形成 key，它们名称之间的字符串距离是 value。这是针对每个邮政编码完成的，因此永远不会存储完整的字符串距离矩阵。您可能还会发现这更容易用于您的后续分析。该代码仅在最后一行与之前的版本不同。

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)})

给出结果

    zip      corpus_co     df_co  str_dist
  (fctr)          (chr)     (chr)     (dbl)
1   2200 company z inc. company z 0.1190476
2   2200 company a inc. company z 0.1798942
3   2200 company b inc. company z 0.1798942
4   2200 company z inc. company a 0.1798942
5   2200 company a inc. company a 0.1190476
6   2200 company b inc. company a 0.1798942
7   4760 company x inc. company x 0.1190476
8   5445 company y inc. company y 0.1190476

已编辑

找到corpus_co（即与每个df_co 的最小距离）的代码是：

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

要在最终结果中添加列，您可以加入用于进行字符串距离计算的公司名称的形式（即小写名称），如下所示：

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)

给了

      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

最后一个select 显示如何将列重新排列为特定顺序。

Answer 2

我有一些想法。如果你不需要你的距离矩阵，你可以像这样解决它。我使用 dplyr 因为我更了解那个。您可以将代码分成几部分而不是一个 dplyr 命令。或者使用 data.table。那可能会更快。

采取的步骤：

1. 在 zip 上使用内部连接连接 df 和 corpus。这将删除所有不需要的记录，并且您的公司名称彼此相邻。
2. 计算公司名称之间的距离
3. 原公司分组
4. 过滤最小距离

这些步骤避免了使用首先创建一个矩阵，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

Answer 3

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.

最好在之前做一些字符串清理，这样你就知道距离只是由实际的拼写错误造成的（注意下面的maxDist）。

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