使用具有多个可能名称的 ID 组合数据集答案

【问题标题】：Combining data sets using an ID with multiple possible names使用具有多个可能名称的 ID 组合数据集
【发布时间】：2020-04-04 05:04:06
【问题描述】：

我有两个数据集，都有犬种名称。我想以某种方式组合数据集，但是很多狗有多个名字，例如非洲无毛犬也被称为非洲阿比西尼亚梗。

我认为这些名称的差异太大，无法通过它们的单词相似性来匹配，所以我想知道匹配它们的最佳方法是什么。

例如，假设数据集 1 是

Breed                           Height (inches)
------------------------------------------------                 
Golden Retriever                20 
Labrador Retriever              22
African Hairless Dog            17

数据集2是

Breed                           Weight (pounds)
------------------------------------------------               
African Abyssinian Terrier      30 
Golden Retriever                60 
Labrador Retriever              65

我想要一个如下所示的数据集：

Breed                           Height (inches)           Weight (pounds)
-------------------------------------------------------------------------              
African Hairless Dog            17                        30
Golden Retriever                20                        60
Labrador Retriever              22                        65

【问题讨论】：

标签： r dataframe join merge data-cleaning

【解决方案1】：

如果您在两个数据框中有一个唯一的id 列变量，那么left_join 应该可以解决问题。例如

df1 = data.frame(id = c(1,2,3), breed = c("African  Abyssinian Terrier", "Golden Retriever","Labrador Retriever"), height= c(17, 20 , 22))

df2 = data.frame(id = c(1,2,3), breed = c("African Hairless Dog", "Golden Retriever","Labrador Retriever"), weight = c(30, 60 , 65))

library(dplyr)

> df1 %>% left_join(df2, by = c("id" = "id"))
  id                     breed.x height              breed.y weight
1  1 African  Abyssinian Terrier     17 African Hairless Dog     30
2  2            Golden Retriever     20     Golden Retriever     60
3  3          Labrador Retriever     22   Labrador Retriever     65

如果你愿意，你可以做一些清理工作

df3 = df1 %>% 
  left_join(df2, by = c("id" = "id")) %>% 
  select(-breed.y) %>% 
  rename(breed = breed.x)

> df3
  id                       breed height weight
1  1 African  Abyssinian Terrier     17     30
2  2            Golden Retriever     20     60
3  3          Labrador Retriever     22     65

【讨论】：

感谢您的回复。加入是通过身份证号完成的吗？因为我希望它足够概括，这样您就不会通过 id 号匹配，而是通过品种名称匹配。我将编辑问题以使其更加明确。
是的，连接是由id 而不是name 完成的。你想做一个更难的问题，因为我希望品种相似性的概念非常具体:-)
啊，是的，恐怕我正在寻找后者。感谢您的帮助！

【解决方案2】：

根据 James Curran 的回答想出了一个解决方案。创建一个数据框df3，其中包含每行一个品种的所有可能昵称，以及一个唯一的 ID 号。使用filter_all从每个数据集中过滤唯一的id号，然后使用唯一的id号连接每个数据集。

df1 <- data.frame(breed = c("Labrador Retriever", "GR","African Abyssinian"), height= c(17, 20 , 22))

df2 <- data.frame(breed = c("African Hairless Dog", "Golden Retriever","Labrador Retriever"), weight = c(30, 60 , 65))

#create data frame, df3
df3 <- data.frame(id = 1:3, breed1 = c("African Hairless Dog", "Golden Retriever","Labrador Retriever"), breed2 = c("African Abyssinian Terrier", "GR","LR"))

id1 <- data.frame()
id2 <- data.frame()
for (i in 1:3){
  id <- df3 %>% filter_all(any_vars(grepl(df1$breed[i],.))) %>% select(id)
  id <- cbind(id,df1$breed[i]) %>% rename(breed = `df1$breed[i]`)
  id1 <- rbind(id1,id)

  id <- df3 %>% filter_all(any_vars(grepl(df2$breed[i],.))) %>% select(id)
  id <- cbind(id,df2$breed[i]) %>% rename(breed = `df2$breed[i]`)
  id2 <- rbind(id2,id)
}

df1 <- left_join(df1,id1) #keep breed name from this data set
df2 <- left_join(df2,id2) %>% select(-breed)

final_data_frame <- left_join(df1,df2, by=c('id'))

如果有人有更优雅的解决方案，也将不胜感激！

【讨论】：