[英]how to check two string columns from two different dataframes on partial matching in R?
我是 R 的新手,正在努力解決一些甚至可能不會被正確詢問的問題,但這就是我此刻可以最好地表達它的方式。 我有兩個不同的 CSV 文件讀入dataA1
包含 481242 行和 71 列(即變量),其中之一是 conm(即公司名稱)。 dataB1
包含 7 列(變量)的 1615 行,其中之一是 company.name。
一些從1615個公司名稱dataB1
部分或完全用一些從481242個公司名稱的匹配(重疊) dataA1
。
我的目標是,在dataB1
中創建一個列,其中對於在dataA1
找到的那些公司(部分或完全相同的名稱),我將使用 1-s,對於在dataA1
找不到的那些公司,使用 0-s。
任何想法如何做到這一點?
為了讓您更好地了解數據的外觀,這里是dataA1
:
1-PAGE LTD
3I GROUP PLC
3I INFOTECH LTD
401 HOLDINGS LTD
4CS HOLDINGS CO LTD
55 STATION INC
600 GROUP PLC (THE)
7DIGITAL GROUP PLC
以及需要從dataB1
匹配的列:
1-Page Ltd
180 Connect Inc
3DLabs Inc., Ltd.
3M France
3U Holdings AG
4Imprint Group Plc
724 Solutions Inc
7days music entertainment AG
我沒有足夠的細節,但我會考慮使用標志操作。 標志運算符僅標識向量中的哪些值存在於相應的數據框、向量等中。對於您的示例,我將執行以下操作:
dataB1 <- toupper(dataB1)
flag <- dataB1 %in% dataA1
如果某個值在 dataA1 中完全匹配,則此代碼將給出TRUE
,否則以向量的形式給出FALSE
。
您可以嘗試包stringdist
amatch
函數,例如:
library(stringdist)
toSearch <- c("1-PAGE LTD","3I GROUP PLC","3I INFOTECH LTD","401 HOLDINGS LTD",
"4CS HOLDINGS CO LTD", "55 STATION INC","600 GROUP PLC (THE)",
"7DIGITAL GROUP PLC")
lookupTable <- c("1-Page Ltd", "180 Connect Inc", "3DLabs Inc., Ltd.",
"3M France","3U Holdings AG", "4Imprint Group Plc", "724 Solutions Inc",
"7days music entertainment AG")
acceptableDistanceThresh = 0.23
lookupTableIndex <- amatch(toupper(toSearch),
toupper(lookupTable),
method='jw',
maxDist=acceptableDistanceThresh,
nthread = 4)
res <- data.frame(toSearch,
lookupTableValue=lookupTable,
lookupTableIndex=lookupTableIndex)
> res
toSearch lookupTableValue lookupTableIndex
1 1-PAGE LTD 1-Page Ltd 1
2 3I GROUP PLC <NA> NA
3 3I INFOTECH LTD <NA> NA
4 401 HOLDINGS LTD 3U Holdings AG 5
5 4CS HOLDINGS CO LTD <NA> NA
6 55 STATION INC <NA> NA
7 600 GROUP PLC (THE) <NA> NA
8 7DIGITAL GROUP PLC 4Imprint Group Plc 6
在 base 包中有一個函數agrep
可以執行部分匹配,但它不是矢量化的,也不是多線程的。
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.