gpt4 book ai didi

R 函数在 left_join 中进行故障回复?

转载 作者:行者123 更新时间:2023-12-04 11:15:21 25 4
gpt4 key购买 nike

我有 20 多个不同的数据表,这些数据表由相同的编码系统(北美行业分类系统,NAICS)索引,我想将它们合并到一个表中。

问题是每个表中都有不同级别的详细信息,当我加入时,我想通过失败编码系统的层次结构直到找到匹配来找到最佳匹配。

常规 left_join 将不起作用,因为并不总是完全匹配。我已经查看了 fuzzyjoin 包,但有点难以理解。

我想从代码表开始:

t_master
# A tibble: 360 x 1
NAICS17
<chr>
1 311111
2 311119
3 311211
4 311212
5 311213
6 311221
7 311224
8 311225
9 311230
10 311313
# ... with 350 more rows

t_master <- structure(list(NAICS17 = c(311111L, 311119L, 311211L, 311212L,
311213L, 311221L, 311224L, 311225L, 311230L, 311313L)), row.names = c(NA,
-10L), class = "data.frame")

然后循环遍历所有其他表,在每个表中找到最佳匹配,然后连接所有变量。有时这很简单,因为存在完全匹配(来自 t_asm 的 311111 和 311119 将连接到 t_master 中的 311111 和 311119):

t_asm
# A tibble: 8,167 x 3
NAICS17 CEXBLD CEXMCH
<chr> <chr> <chr>
1 31-33 16806796 96986337
2 311 2099542 9063451
3 3111 92429 517196
4 31111 92429 517196
5 311111 49756 225494
6 311119 42673 291702
7 3112 192911 1016770
8 31121 75310 267693
9 31121M 75310 267693
10 31122 94339 546407
# ... with 8,157 more rows

t_asm <- structure(list(NAICS17 = c("31-33", "311", "3111", "31111", "311111",
"311119", "3112", "31121", "31121M", "31122"), CEXBLD = c("16806796",
"2099542", "92429", "92429", "49756", "42673", "192911", "75310",
"75310", "94339"), CEXMCH = c("96986337", "9063451", "517196",
"517196", "225494", "291702", "1016770", "267693", "267693",
"546407")), row.names = c(NA, -10L), class = c("tbl_df", "tbl",
"data.frame"))

但有时我希望它寻找最佳匹配,即使它不太详细(来自 t_brdis_2015 的 311 将加入 t_master 中的 311111 和 311119)

t_brdis_2015
# A tibble: 90 x 3
NAICS17 rdcost_total rdcost_wage
<chr> <chr> <chr>
1 0 355821 204170
2 31 236132 129375
3 32 236132 129375
4 33 236132 129375
5 311 4838 2945
6 312 1002 532
7 313 748 481
8 314 748 481
9 315 748 481
10 316 748 481
# ... with 80 more rows

t_brdis_2015 <- structure(list(NAICS17 = c("0", "31", "32", "33", "311", "312",
"313", "314", "315", "316"), rdcost_total = c("355821", "236132",
"236132", "236132", "4838", "1002", "748", "748", "748", "748"
), rdcost_wage = c("204170", "129375", "129375", "129375", "2945",
"532", "481", "481", "481", "481")), class = c("tbl_df", "tbl",
"data.frame"), row.names = c(NA, -10L))

这将是一个左连接,我希望 t_master 的所有观察结果与来自其他数据表的一个观察结果连接起来。

故障回复的方法是(以311111为例):

  • 试试 311111
  • 试试 31111
  • 试试3111
  • 试试311
  • 尝试 31
  • 尝试 3
  • 返回一个 NA

谢谢,如果有任何不清楚的地方,请告诉我。

最佳答案

我会执行一系列更新连接:

library(data.table)

ncs = seq_len(max(nchar(t_master$NAICS17)))
nms = copy(names(t_asm))
xnms = sprintf("x.%s", nms)
tnms = replace(nms, nms == "NAICS17", "m")

t_asm2 <- data.table(t_asm)
out = data.table(t_master)
out[, NAICS17 := as.character(NAICS17)]
out[, m := NA_character_]
for (nc in rev(ncs)){
out[is.na(m), target := substr(NAICS17, 1, nc)]
out[is.na(m),
(tnms) := t_asm2[.SD, on=.(NAICS17 = target), mget(xnms)][]
]
if (!anyNA(out$m)) break
}
out[, target := NULL][]

NAICS17 m CEXBLD CEXMCH
1: 311111 311111 49756 225494
2: 311119 311119 42673 291702
3: 311211 31121 75310 267693
4: 311212 31121 75310 267693
5: 311213 31121 75310 267693
6: 311221 31122 94339 546407
7: 311224 31122 94339 546407
8: 311225 31122 94339 546407
9: 311230 3112 192911 1016770
10: 311313 311 2099542 9063451

m 是匹配的值; target 是我们在循环的当前迭代中尝试匹配的值。迭代向后进行,从最长的代码开始。 (查看正在迭代的 rev(ncs)。)

通过过滤到 is.na(m),我们将跳过在早期迭代中匹配的行。如果每一行都匹配,测试 anyNA(out$m) 允许我们提前退出。

copy 只是一种避免 Why does data.table update names(DT) by reference, even if I assign to another variable? 中提到的问题的措施。

关于R 函数在 left_join 中进行故障回复?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/55538354/

25 4 0
Copyright 2021 - 2024 cfsdn All Rights Reserved 蜀ICP备2022000587号
广告合作:1813099741@qq.com 6ren.com