如何生成相似姓名映射表？解决数据库同人物异名匹配问题

核心思路是先按职业（occupation）和机构（organization）分组——同一人物的这两个字段完全一致，只需在同组内匹配相似姓名，同时排除自身匹配的情况。

实现步骤及代码 #

1. 加载所需工具包：

library(dplyr)
library(stringdist)
library(tidyr)

2. 对原始数据分组处理，计算组内姓名相似度并筛选有效匹配：

# 按机构和职业分组，生成组内所有姓名组合
name_matches <- df1 %>%
  group_by(organization, occupation) %>%
  expand(name1 = name, name2 = name) %>%
  # 排除自身匹配的行
  filter(name1 != name2) %>%
  # 计算姓名间的Jaro-Winkler距离（适合姓名匹配，阈值可调整）
  mutate(distance = stringdist(name1, name2, method = "jw")) %>%
  # 筛选距离小于阈值的匹配（示例用0.15，可根据实际数据调整）
  filter(distance < 0.15) %>%
  # 保留核心映射字段
  select(name1, name2) %>%
  ungroup()

# 查看最终映射表
name_matches

结果说明 #

运行代码后会得到如下映射结果：

# A tibble: 2 × 2
  name1           name2               
  <chr>           <chr>               
1 Anne Sue Frank  Anne S. Frank       
2 John S. Gooble  Johnatan Sue Google

你可以根据实际数据调整stringdist的距离计算方法（比如lv代表莱文斯坦编辑距离）和阈值，提升匹配准确性。如果需要避免双向重复（比如同时出现name1=A,name2=B和name1=B,name2=A），可在filter(name1 != name2)后添加filter(name1 < name2)去重。

内容的提问来源于stack exchange，提问作者Vitoria Sanchez