根据 R 中的字符串距离匹配两列

Question

我有两个非常大的数据框，其中包含人名。这两个数据框报告了这些人的不同信息（即 df1 报告了健康状况数据，df2 报告了社会经济状况数据）。两个数据框中都出现了一部分人。这是我感兴趣的样本。 我需要创建一个新的数据框，其中仅包含出现在两个数据集中的人员。然而，名称之间存在细微差别，主要是由于拼写错误造成的。

我的数据如下：

df1
name | smoker | age
"Joe Smith" | Yes | 43
"Michael Fagin" | Yes | 35
"Ellen McFarlan" | No | 55
...
...

df2
name | occupation | location
"Joe Smit" | Postdoc | London
"Joan Evans" | IT consultant | Bristol
"Michael Fegin" | Lawyer | Liverpool
...
...

我需要的是具有以下信息的第三个数据帧 df3：

df3
name1 | name2 | distance | smoker | age | occupation | location 
"Joe Smith" | "Joe Smit" | a measure of their Jaro distance | Yes | 43 | Postdoc | London
"Michael Fagin" | "Michael Fegin" | a measure of their Jaro distance | Yes | 35 | Lawyer | Liverpool
...
...

到目前为止，我已经使用 stringdist 包来获取可能匹配的向量，但我正在努力使用这些信息来创建一个包含我需要的信息的新数据框。如果有人对此有想法，请提前非常感谢！

Answer 1

library(tidyverse)
library(fuzzyjoin)

df1  <- tibble(
  name = c("Joe Smith", "Michael Fagin"),
  smoker = c("yes", "yes")
)

df2 <- tibble(
  name = c("Joe Smit", "Michael Fegin"),
  occupation = c("post doc", "IT consultant")
)

df1 %>%
  # max 3 chars different
  stringdist_inner_join(df2, max_dist = 3)
#> Joining by: "name"
#> # A tibble: 2 × 4
#>   name.x        smoker name.y        occupation   
#>   <chr>         <chr>  <chr>         <chr>        
#> 1 Joe Smith     yes    Joe Smit      post doc     
#> 2 Michael Fagin yes    Michael Fegin IT consultant

^{由 reprex 软件包 (v2.0.0) 创建于 2022 年 3 月 1 日}