基于Block-ID的数值与字符记录匹配相似度计算工具需求（R语言）

核心思路 #

无需依赖特定相似度工具包，用dplyr+tidyr的组合就能实现按Block_ID分组，自定义规则计算所有Report_ID配对的相似度，灵活度拉满，还能轻松调整计算逻辑。

步骤实现 #

1. 加载依赖包 #

library(dplyr)
library(tidyr)

2. 构造示例数据（可替换为你的实际数据） #

df <- tibble(
  Report_ID = c("R1", "R2", "R3", "R4", "R5"),
  Block_ID = c("B1", "B1", "B1", "B2", "B2"),
  Number = c(10, 20, NA, 15, 15),
  Character = c("A", "A", "B", NA, "C")
)

3. 自定义相似度计算函数 #

完全按照需求编写，后续要修改规则（比如改成数值绝对差）直接改函数即可：

# 数值相似度：较小值/较大值，任一NA则返回NA
sim_number <- function(x, y) {
  if (is.na(x) || is.na(y)) return(NA_real_)
  min(x, y) / max(x, y)
}

# 字符相似度：匹配返回1，不匹配返回0，任一NA则返回NA
sim_character <- function(x, y) {
  if (is.na(x) || is.na(y)) return(NA_real_)
  as.integer(x == y)
}

4. 分组计算所有配对的相似度 #

这里提供两种简洁的实现方式：

方式一：用crossing生成配对（代码更简洁）

result <- df %>%
  group_by(Block_ID) %>%
  # 生成组内所有Report_ID的笛卡尔积配对
  crossing(., .) %>%
  # 过滤掉自身配对和重复的反向配对（比如保留R1-R2，去掉R2-R1）
  filter(Report_ID.x < Report_ID.y) %>%
  # 计算两种相似度
  mutate(
    Similarity_Number = sim_number(Number.x, Number.y),
    Similarity_Character = sim_character(Character.x, Character.y)
  ) %>%
  # 整理列名
  select(Block_ID, Report_ID_1 = Report_ID.x, Report_ID_2 = Report_ID.y, Similarity_Number, Similarity_Character)

print(result)

方式二：用combn生成配对（适合需要更精细控制配对逻辑的场景）

result <- df %>%
  group_by(Block_ID) %>%
  summarise(
    # 生成组内所有两两Report_ID配对、数值配对、字符配对的列表
    report_pairs = list(combn(Report_ID, 2, simplify = FALSE)),
    num_pairs = list(combn(Number, 2, simplify = FALSE)),
    char_pairs = list(combn(Character, 2, simplify = FALSE))
  ) %>%
  # 展开列表为行
  unnest(c(report_pairs, num_pairs, char_pairs)) %>%
  # 拆分配对为单独列，并计算相似度
  mutate(
    Report_ID_1 = map_chr(report_pairs, 1),
    Report_ID_2 = map_chr(report_pairs, 2),
    Similarity_Number = map2_dbl(num_pairs, ~sim_number(.x, .y)),
    Similarity_Character = map2_dbl(char_pairs, ~sim_character(.x, .y))
  ) %>%
  # 保留需要的列
  select(Block_ID, Report_ID_1, Report_ID_2, Similarity_Number, Similarity_Character)

print(result)

结果说明 #

运行后会得到每个Block_ID下所有不重复的Report_ID配对，以及对应的两种相似度值，NA处理逻辑完全符合要求。如果后续需要修改计算规则（比如把数值相似度改成绝对差），只需要调整sim_number函数即可，无需改动整体流程。

内容的提问来源于stack exchange，提问作者Marius