openrefine - OpenRefine - 跨列聚类

Question

看起来，OpenRefine 还不支持跨列聚类。

有没有人对如何根据“制造商”对“模型”进行聚类有任何建议，就像“城市”将基于“州”一样（许多“斯普林菲尔德”可能存在于美国，但只有“城市”聚类： “斯普林菲尔德”，如果相对“状态”列相同）？相对列已经标准化。

Answer 1

一种简单的方法是创建一个列，该列是模型+制造商的串联，在连接字段上进行聚类，然后（如果需要）将两部分再次分开。

Answer 2

我对去重地址字符串也有类似的要求。所以我创建了一个新列（比如 COMPLETE_ADDRESS）并使用下面的 GREL 表达式连接 STREET、CITY、PROVINCE、COUNTRY 和 ZIPCODE 字段

cells["STREET"].value + " " + cells["CITY"].value + " " + cells["PROVINCE"].value + " " + cells["COUNTRY"].value + " " + cells["ZIPCODE"].value

然后我做了以下事情：

1. 使用默认算法对新的 COMPLETE_ADDRESS 列进行聚类
2. 合并每个集群中的值（现在这些值是完全重复的）
3. 对列进行永久排序。
4. 执行“空白”操作。
5. 最后只选择 COMPLETE_ADDRESS 中的非空值

话虽如此，在撰写本文时，还没有合并独立列的功能。这样做的唯一方法是将 COMPLETE_ADDRESS适当地拆分为单独的列。在这种情况下，您将不得不使用更好的分隔符，例如管道“|” 不会与现有值冲突的符号。