Spojení pomocí vzdálenosti řetězců

Propojování dvou různých datových zdrojů je v analýze dat velmi běžný úkol. Kdykoli je to možné, měl bys ke spojení tabulek používat jednoznačně identifikovatelné hodnoty, jako je třeba e-mailová adresa. Ale co když uživatel zadal jen své jméno a ty ho musíš dohledat v databázi? Potíž je v tom, že lidé mohou jméno zkrátit, přepsat nebo vynechat jeho část.

V prostředí máš k dispozici dva datové rámce: user_input a database. První obsahuje chybně zadané vstupy od uživatelů, druhý správná jména – oba zdroje přitom obsahují stejných 100 jmen. Kolik z nich se podaří spojit pomocí vzdálenosti řetězců? Mimochodem: metoda method není zadána, takže se použije výchozí metoda Optimal String Alignment "osa".

Toto cvičení je součástí kurzu

Intermediate Regular Expressions in R

Zobrazit kurz

Pokyny k cvičení

Spoj user_input a database s maximální vzdáleností řetězců max_dist tak, aby bylo úspěšně spárováno přesně osmdesát jmen. Experimentuj, dokud nenajdeš správnou maximální vzdálenost.
Pomocí nově vytvořené tabulky joined vypiš přehlednou zprávu ve srozumitelné podobě.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Join the data frames on a maximum string distance of 2
joined <- stringdist_join(
  user_input,
  database,
  by = c("user_input" = "name"),
  ___ = ___,
  distance_col = "distance",
  ignore_case = TRUE
)

# Print the number of rows of the newly created data frame
print(glue(
  "{n} out of 100 names were matched successfully",
  n = nrow(___)
))

Upravit a spustit kód