问题描述
我想使用 stringdist_join 按十年对美国县进行模糊匹配。由于县名随时间变化，我希望每十年匹配正确的县名。
如果我写：
stringdist_join(mispelled,correct,by=c('decade','county'))
然后 stringdist_join 也会对十年进行模糊匹配，例如匹配1960 年到 1970 年，实际上我想将十年变量视为正确的，并且仅对县进行模糊匹配。
我可以看到我需要按十年对拼写错误和正确的数据帧进行分组，然后分别在每个数据帧上运行，但我不知道如何执行此操作。 Tidyverse 解决方案将是首选。
谢谢！
解决方法
最终，我认为您寻求的方法是让 max_dist 成为距离向量，您可以在其中执行 stringdist_inner_join(...,max_dist=c(0,2))。不幸的是，虽然有人提出了要求（在 2017 年：https://github.com/dgrtwo/fuzzyjoin/issues/36 和 https://github.com/dgrtwo/fuzzyjoin/issues/21），但似乎尚未实施。
如果您能负担得起更大的中间连接产品，则解决方法是允许它，然后过滤掉 decade 是不精确连接的位置。
缺乏数据，我将使用 ggplot2::diamonds 进行演示。在这里，我需要 stringdist 的正常 cut 功能和 clarity 的完全匹配。
d <- data.frame(cut = c("Idea","Premiums","Premioom","VeryGood","Faiir"),clarity = rep(c("SI1","SI2"),3),type = 1:6)
data("diamonds",package = "ggplot2")
diamonds <- diamonds[1:10,]
joined <- stringdist_inner_join(diamonds,d,by = c("cut","clarity"))
joined
# # A tibble: 8 x 13
# carat cut.x color clarity.x depth table price x y z cut.y clarity.y type
# <dbl> <ord> <ord> <ord> <dbl> <dbl> <int> <dbl> <dbl> <dbl> <chr> <chr> <int>
# 1 0.23 Ideal E SI2 61.5 55 326 3.95 3.98 2.43 Idea SI1 1
# 2 0.21 Premium E SI1 59.8 61 326 3.89 3.84 2.31 Premiums SI2 2
# 3 0.21 Premium E SI1 59.8 61 326 3.89 3.84 2.31 Premioom SI1 3
# 4 0.290 Premium I VS2 62.4 58 334 4.2 4.23 2.63 Premiums SI2 2
# 5 0.26 Very Good H SI1 61.9 55 337 4.07 4.11 2.53 VeryGood SI2 4
# 6 0.26 Very Good H SI1 61.9 55 337 4.07 4.11 2.53 VeryGood SI1 5
# 7 0.22 Fair E VS2 65.1 61 337 3.87 3.78 2.49 Faiir SI2 6
# 8 0.23 Very Good H VS1 59.4 61 338 4 4.05 2.39 VeryGood SI1 5
subset(joined,clarity.x == clarity.y)
# # A tibble: 2 x 13
# carat cut.x color clarity.x depth table price x y z cut.y clarity.y type
# <dbl> <ord> <ord> <ord> <dbl> <dbl> <int> <dbl> <dbl> <dbl> <chr> <chr> <int>
# 1 0.21 Premium E SI1 59.8 61 326 3.89 3.84 2.31 Premioom SI1 3
# 2 0.26 Very Good H SI1 61.9 55 337 4.07 4.11 2.53 VeryGood SI1 5