使用merge()函数时，如何保留by.x与by.y指定的两列？

一、保留books数据框的name列 #

默认merge()会将用于匹配的两列（authors$surname和books$name）合并为一列，要保留books$name，可以在合并前给books复制一列该变量，再执行合并：

# 先给books新增一列保存原name值
books$books_name <- books$name
# 执行合并
m <- merge(authors, books, by.x = "surname", by.y = "name", all = TRUE)
# 查看结果
head(m, 3)

执行后结果会包含surname（来自authors）和books_name（来自books的原name列），同时保留其他所有列。

如果习惯用dplyr包，也可以用以下方式实现：

library(dplyr)
m <- authors %>%
  full_join(books %>% rename(books_name = name), 
            by = c("surname" = "name"))

二、检查匹配变量的拼写差异 #

可以通过几种base R方法排查拼写错误或不匹配的元素：

1. 找出两边独有的元素：

# authors里有但books里没有的姓氏
authors_only <- setdiff(authors$surname, books$name)
# books里有但authors里没有的名字
books_only <- setdiff(books$name, authors$surname)

cat("authors独有的姓氏：", authors_only, "\n")
cat("books独有的名字：", books_only, "\n")

示例中books_only会返回"R Core"，属于合理差异；如果存在拼写错误（比如把"Tukey"写成"Tukeyy"），会在这里被直接识别。

2. 统计元素出现频率排查异常：

# 统计authors中各姓氏的出现次数
table(authors$surname)
# 统计books中各名字的出现次数
table(books$name)

若存在拼写错误，会出现频率异常（比如本该重复出现的元素仅出现一次，或出现陌生拼写）。

3. 模糊匹配检测近似拼写：
   如果怀疑有近似拼写错误（如大小写、多空格、字母增减），可以用stringdist包计算字符串距离，定位相似度高的不匹配元素：

library(stringdist)
# 遍历authors的姓氏，找books中距离最近的名字
for(s in authors$surname){
  dists <- stringdist(s, books$name, method = "lv")
  min_dist <- min(dists)
  if(min_dist > 0){
    cat("姓氏", s, "在books中无完全匹配，最接近的是", books$name[which.min(dists)], "，距离为", min_dist, "\n")
  }
}

这种方法能快速定位类似"Tukey"和"Tukeyy"这类近似错误。

内容的提问来源于stack exchange，提问作者user2955884