8

使用 R，我正在尝试匹配按年份和城市构建的数据集中的人名。由于一些拼写错误，完全匹配是不可能的，所以我尝试使用 agrep() 来模糊匹配名称。

数据集的一个样本块的结构如下：

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

我想分别在每个城市查一下，几年后是否有候选人出现。例如在示例中，

保罗·塞扎尔·费雷拉·德·阿劳霍

保罗·塞萨尔·费雷拉·德·阿劳霍

出现两次（有拼写错误）。应为整个数据集中的每个候选人分配一个唯一的数字候选人 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。关于如何实现这一点的任何建议？

编辑：这是我的尝试（在迄今为止的评论的帮助下）完成手头的任务非常缓慢（效率低下）。对此有何改进建议？

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。问题是在每一步都与许多因素进行比较（感谢蓝魔导师指出这一点）。将比较减少到仅一组（即一个城市）中的候选人在 5 秒内运行 80,000 行命令 - 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)
4

2 回答 2

4

这是我的镜头。它可能不是很有效，但我认为它会完成工作。我认为这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]
于 2012-10-21T16:55:51.977 回答
3

好的，鉴于重点是效率，我建议以下。

首先，请注意，按照第一原则的效率顺序，我们可以预测精确匹配将比 grep 快得多，而 grep 将比模糊 grep 快。所以完全匹配，然后对剩余的观察结果进行模糊 grep。

其次，矢量化并避免循环。这些apply命令不一定更快，所以如果可以的话，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*plyor 循环将每个元素与要匹配的其他元素的向量进行比较。

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

您可以结合第一个和第三个原则：您甚至可以尝试对每个字符串的第一个字符进行精确匹配，然后在其中进行模糊匹配。

于 2012-10-21T17:12:15.450 回答