如何在R中使用fastLink实现数值型字段的部分匹配？

我正尝试使用fastLink关联两个数据集，发现部分手动匹配的案例未被fastLink识别，为此进行了测试：

library(fastLink) 

a <- data.frame("x"=1:40,
                "date"=c(3603, 3603, 4115, 3805, 4448, 4448, 4758, 4758, 4758, 4623, 4623, 4623, 4623, 4623, 4623, 4623, 4623, 4667, 4667, 4840,
                        4840, 4840, 4693, 4623, 6247, 5715, 6227, 6227, 5988, 6331, 6331, 5988, 6268, 6268, 6268, 6268, 6275, 6275, 5829, 6275))

b <- data.frame("x"=1:82,
                "date"=c(3042, 3104, 3302, 3330, 3342, 3407, 3713, 3882, 3882, 4043, 4249, 4175, 4184, 4184, 4184, 4366, 4239, 4117, 4127, 4127,
                         4239, 4498, 5094, 4848, 4975, 5148, 5185, 5213, 5309, 5521, 5604, 5604, 5604, 5604, 5897, 5976, 5976, 6002, 6058, 6102,
                         6158, 6184, 6184, 6184, 6184, 6255, 6256, 6256, 6275, 6275, 6284, 6284, 6284, 6303, 6303, 6312, 6332, 6340, 6352, 6352,
                         6366, 6366, 6366, 6366, 6366, 6366, 6367, 6375, 6375, 6396, 6403, 6407, 6443, 6443, 6443, 6443, 6494, 6494, 6494, 6494,
                         6494, 6494))

out <- fastLink(a, 
                b, 
                varnames="date", 
                numeric.match="date",
                threshold.match=.01)

key_tab <- data.frame("inds.a"=out$matches$inds.a, 
                      "inds.b"=out$matches$inds.b, 
                      "a_date"=unlist(a[out$matches$inds.a, "date"]),
                      "b_date"=unlist(b[out$matches$inds.b, "date"]),
                      "posterior"=out$posterior)

key_tab
  inds.a inds.b a_date b_date          posterior
1     37     49   6275   6275 0.7025187055498182
2     38     50   6275   6275 0.7025187055498182
3     40     50   6275   6275 0.7025187055498182
4     30     57   6331   6332 0.7025187055498182
5     31     57   6331   6332 0.7025187055498182

测试结果显示fastLink仅返回5条匹配，其中3条为完全匹配，2条为差值1的匹配（因默认cut.a.num=1，差值1被视为完全匹配）。但数据中存在差值2、3的匹配，却未被返回。我尝试了以下操作均未解决：

• 设置cut.p.num=3/2/5/100无变化
• 添加partial.match="date"后无匹配返回
• 设置dedupe.matches=FALSE仅增加上述5条的匹配数
• 设置return.all=TRUE后无匹配返回

原因 #

fastLink的数值匹配逻辑中，numeric.match参数仅处理完全匹配或cut.a.num范围内的近似匹配，你需要的差值2、3的匹配超出了默认的cut.a.num=1范围。此外：

• cut.p.num是按百分比设置阈值，不是绝对差值，你的日期数值较大，百分比阈值对应的绝对差值远大于你需要的范围，因此设置后无效果。
• partial.match是针对字符串的部分匹配规则，不适用于数值型变量，添加后自然不会返回匹配结果。

解决方法 #

方法1：调整cut.a.num参数 #

直接修改cut.a.num为你需要的最大绝对差值（比如3），让fastLink自动识别差值在该范围内的匹配候选：

out <- fastLink(a, 
                b, 
                varnames="date", 
                numeric.match="date",
                cut.a.num=3,  # 设置允许的最大绝对差值
                threshold.match=.01)

key_tab <- data.frame("inds.a"=out$matches$inds.a, 
                      "inds.b"=out$matches$inds.b, 
                      "a_date"=unlist(a[out$matches$inds.a, "date"]),
                      "b_date"=unlist(b[out$matches$inds.b, "date"]),
                      "posterior"=out$posterior)

key_tab

此方法会将所有date差值≤3的记录纳入匹配候选池，再通过threshold.match控制后验概率筛选最终匹配结果。

方法2：自定义候选匹配对（进阶） #

如果需要更精准的匹配规则，可以手动生成所有符合差值条件的候选对，再传入fastLink计算匹配概率：

# 生成所有date差值≤3的候选对
candidates <- expand.grid(inds.a=1:nrow(a), inds.b=1:nrow(b))
candidates$diff <- abs(a$date[candidates$inds.a] - b$date[candidates$inds.b])
candidates <- candidates[candidates$diff <=3, ]

# 传入自定义候选对进行匹配计算
out <- fastLink(a, 
                b, 
                varnames="date", 
                numeric.match="date",
                threshold.match=.01,
                candidates=candidates)  # 使用手动筛选的候选对

key_tab <- data.frame("inds.a"=out$matches$inds.a, 
                      "inds.b"=out$matches$inds.b, 
                      "a_date"=unlist(a[out$matches$inds.a, "date"]),
                      "b_date"=unlist(b[out$matches$inds.b, "date"]),
                      "posterior"=out$posterior)

key_tab

这种方式跳过fastLink默认的候选对筛选逻辑，精准控制进入匹配计算的记录对，避免遗漏目标匹配。

内容的提问来源于stack exchange，提问作者Elizabeth