使用 RecordLinkage 为每个人添加一个带有数字的列答案

【问题标题】：Using RecordLinkage to add a column with a number for each person使用 RecordLinkage 为每个人添加一个带有数字的列
【发布时间】：2015-09-19 06:58:43
【问题描述】：

我想做一个我认为非常简单的操作——将一个包含每个人的数字的列添加到一个包含（可能）重复名称列表的数据集中。我认为我很接近。此代码查看名称数据集，进行成对比较，并附加一列是否可能匹配。现在我只想更进一步——我不想删除重复项，而是想出一个唯一标识符。

彼得

例子：

彼得

康纳

马特

会变成

例子：

彼得 -- 1

康纳——2

马特 -- 3

library(RecordLinkage)
data(RLdata10000)
rpairs <- compare.dedup(RLdata10000, blockfld = 5)
p=epiWeights(rpairs)
classify <- epiClassify(p,0.7)
summary(classify)
match <- classify$prediction
results <- cbind(classify$pairs,match)

【问题讨论】：

标签： r

【解决方案1】：

小幅重写，避免权重和分类器必须使用 ID 进行调整，

df_names <- data.frame(Name=c("Peter","Peter","Peter","Connor","Matt"))

df_names %>% compare.dedup() %>%
             epiWeights() %>%
             epiClassify(0.3) %>%
             getPairs(show = "links", single.rows = TRUE) -> matches

left_join(mutate(df_names,ID = 1:nrow(df_names)), 
          select(matches,id1,id2) %>% arrange(id1) %>% filter(!duplicated(id2)), 
          by=c("ID"="id2")) %>%
    mutate(ID = ifelse(is.na(id1), ID, id1) ) %>%
    select(-id1)

【讨论】：

【解决方案2】：

我想出了自己问题的答案。

df_names <- df_names %>% mutate(ID = 1:nrow(df_names))
rpairs <- compare.dedup(df_names)
p=epiWeights(rpairs)
classify <- epiClassify(p,0.83)
summary(classify)
matches <- getPairs(classify, show = "links", single.rows = TRUE)

这段代码写了一个“ID”列，对于相似的名字是一样的

matches <- matches %>% arrange(ID.1) %>% filter(!duplicated(ID.2))
df_names$ID_prior <- df_names$ID

将匹配信息与原始数据合并

df_names <- left_join(df_names, matches %>% select(ID.1,ID.2), by=c("ID"="ID.2"))

将 ID 中的匹配项替换为来自 ID.1 的匹配项

df_names$ID <- ifelse(is.na(df_names$ID.1), df_names$ID, df_names$ID.1)

【讨论】：