Łączenie zbiorów danych za pomocą odległości między łańcuchami

Łączenie dwóch różnych źródeł danych to jedno z najczęstszych zadań w analizie danych. Gdy tylko to możliwe, warto korzystać z jednoznacznych identyfikatorów – jak adres e-mail – do złączenia dwóch tabel. Ale co zrobić, gdy użytkownik podał tylko swoje imię i nazwisko, a ty musisz je odszukać w bazie danych? Problem polega na tym, że ludzie często skracają imiona lub nazwiska, popełniają literówki albo pomijają części nazwy.

W środowisku dostępne są dwie ramki danych: user_input i database. Pierwsza zawiera błędne dane wpisane przez użytkowników, a druga – poprawne nazwy. Oba źródła zawierają te same 100 nazwisk. Ile z nich uda się dopasować za pomocą złączenia opartego na odległości między łańcuchami? Uwaga: nie zdefiniowano parametru method, więc zostanie użyta domyślna metoda – odległość Optymalnego Wyrównania Ciągów "osa".

To ćwiczenie jest częścią kursu

Wyrażenia regularne w R – poziom średnio zaawansowany

Zobacz kurs

Instrukcje do ćwiczenia

Złącz user_input i database, ustawiając maksymalną odległość max_dist tak, aby dokładnie osiemdziesiąt nazwisk zostało pomyślnie dopasowanych. Eksperymentuj, aż znajdziesz właściwą wartość.
Użyj nowo utworzonej tabeli joined, aby wyświetlić czytelny komunikat podsumowujący wynik.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# 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(___)
))

Edytuj i uruchom kod