R语言中如何基于名字模糊匹配合并含职位的DataFrame？

你的问题出在使用stringdist_left_join时，是通过整体字符串的相似度来匹配的，而不是检查名字是否是name字段的子串。比如"Doctor John Doe"和"John"的整体字符串差异很大，jaccard距离远超过0.2，所以匹配失败。下面提供两种可靠的解决方案：

方法一：用正则匹配子串（推荐） #

使用fuzzyjoin包中的regex_left_join，直接检查df2的名字是否是df1中name字段的子串，无需处理字符串距离：

library(fuzzyjoin)
library(dplyr)

df1 <- data.frame(name = c("Doctor John Doe", "Jane Smith", "Assistant manager Alice Johnson"))
df2 <- data.frame(preusuel = c("John", "Bob", "Alice"))

# 正则左连接，匹配preusuel是否在name中
result <- regex_left_join(df1, df2, 
                          by = c("name" = "preusuel"),
                          match_fun = function(x, y) grepl(y, x, ignore.case = TRUE))

# 查看结果
print(result)

运行后得到正确结果：

ignore.case = TRUE是为了兼容大小写不一致的情况（比如"alice"和"Alice"），如果你的数据大小写完全统一，可以去掉这个参数。

方法二：先从df1提取名字再匹配 #

如果你能确定名字在name字段中的位置（比如是第二个单词，或者姓氏前的单词），可以先提取名字再用普通的左连接：

library(dplyr)
library(stringr)

df1 <- data.frame(name = c("Doctor John Doe", "Jane Smith", "Assistant manager Alice Johnson"))
df2 <- data.frame(preusuel = c("John", "Bob", "Alice"))

# 提取名字：这里假设名字是最后一个姓氏前的单词（即倒数第二个单词）
df1_extracted <- df1 %>%
  mutate(first_name = word(name, -2))

# 普通左连接
result <- df1_extracted %>%
  left_join(df2, by = c("first_name" = "preusuel")) %>%
  select(name, preusuel)

print(result)

这个方法需要你明确名字在字符串中的位置，适用性不如方法一，但匹配效率更高。

内容的提问来源于stack exchange，提问作者Wilcar