通过模糊匹配名称创建唯一ID（通过使用R的agrep）

Question

使用R，我尝试在按年份和城市构建的数据集中匹配人名。 由于一些拼写错误，无法进行精确匹配，因此我尝试使用agrep（）来模糊匹配名称。

数据集的样本块结构如下：

df <- data.frame(matrix( c("1200013","1200013","1200013","1200013","1200013","1200013","1200013","1200013",                             "1996","1996","1996","1996","2000","2000","2004","2004","AGUSTINHO FORTUNATO FILHO","ANTONIO PEREIRA NETO","FERNANDO JOSE DA COSTA","PAULO CEZAR FERREIRA DE ARAUJO","PAULO CESAR FERREIRA DE ARAUJO","SEBASTIAO BOCALOM RODRIGUES","JOAO DE ALMEIDA","PAULO CESAR FERREIRA DE ARAUJO"), ncol=3,dimnames=list(seq(1:8),c("citycode","year","candidate")) ))

整洁的版本：

  citycode year                      candidate
1  1200013 1996      AGUSTINHO FORTUNATO FILHO
2  1200013 1996           ANTONIO PEREIRA NETO
3  1200013 1996         FERNANDO JOSE DA COSTA
4  1200013 1996 PAULO CEZAR FERREIRA DE ARAUJO
5  1200013 2000 PAULO CESAR FERREIRA DE ARAUJO
6  1200013 2000    SEBASTIAO BOCALOM RODRIGUES
7  1200013 2004                JOAO DE ALMEIDA
8  1200013 2004 PAULO CESAR FERREIRA DE ARAUJO

我想分别检查每个城市，是否有候选人出现在几年。 例如，在示例中，

PAULO CEZAR FERREIRA DE ARAUJO

PAULO CESAR FERREIRA DE ARAUJO

出现两次（拼写错误）。 应为整个数据集中的每个候选者分配唯一的数字候选ID。 数据集相当大（5500个城市，大约100K条目），因此稍微有效的编码会有所帮助。 有关如何实现这一点的任何建议？

编辑：这是我尝试（在迄今为止的评论的帮助下）在实现手头任务时非常缓慢（低效）。 有关改进的建议吗？

f <- function(x) {matches <- lapply(levels(x), agrep, x=levels(x),fixed=TRUE, value=FALSE)
                  levels(x) <- levels(x)[unlist(lapply(matches, function(x) x[1]))]
                  x
                }

temp <- tapply(df$candidate, df$citycode, f, simplify=TRUE)
df$candidatenew <- unlist(temp)
df$spellerror <- ifelse(as.character(df$candidate)==as.character(df$candidatenew), 0, 1)

编辑2：现在以良好的速度运行。 问题在于每一步都与许多因素进行比较（感谢你指出这一点，Blue Magister）。 将比较减少到只有一组中的候选者（即一个城市），在5秒内运行命令，持续80,000行 - 这是我可以忍受的速度。

df$candidate <- as.character(df$candidate)

f <- function(x) {x <- as.factor(x)
                  matches <- lapply(levels(x), agrep, x=levels(x),fixed=TRUE, value=FALSE)
                  levels(x) <- levels(x)[unlist(lapply(matches, function(x) x[1]))]
                  as.character(x)
                }

temp <- tapply(df$candidate, df$citycode, f, simplify=TRUE)
df$candidatenew <- unlist(temp)
df$spellerror <- ifelse(as.character(df$candidate)==as.character(df$candidatenew), 0, 1)

Answer 1

这是我的镜头。 它可能效率不高，但我认为它可以完成工作。 我认为df$candidates是阶级因素。

#fuzzy matches candidate names to other candidate names
#compares each pair of names only once
##by looking at names that have a greater index
matches <- unlist(lapply(1:(length(levels(df[["candidate"]]))-1),
    function(x) {max(x,x + agrep(
        pattern=levels(df[["candidate"]])[x], 
        x=levels(df[["candidate"]])[-seq_len(x)]
    ))}
))
#assigns new levels (omits the last level because that doesn't change)
levels(df[["candidate"]])[-length(levels(df[["candidate"]]))] <- 
    levels(df[["candidate"]])[matches]

Answer 2

好吧，鉴于重点是效率，我建议如下。

首先，请注意，从第一原理的效率开始，我们可以预测精确匹配将比grep快得多，后者将比模糊grep更快。 如此精确匹配，然后模糊grep用于剩余的观察。

其次，矢量化和避免循环。 apply命令不一定更快，因此如果可以，请坚持使用本机矢量化。 所有grep命令都是本机矢量化的，但是很难避免使用*ply或循环来将每个元素与其他元素的矢量进行比较以匹配。

第三，利用外部信息缩小问题范围。 例如，只对每个城市或州内的名称进行模糊匹配，这将大大减少必须进行的比较次数。

您可以结合第一和​​第三原则：您甚至可以尝试在每个字符串的第一个字符上进行精确匹配，然后在其中进行模糊匹配。