R语言需求：为新表中模糊匹配的姓名分配对应ID

可以结合dplyr和fuzzyjoin包的stringdist_join实现需求，核心思路是先做近似匹配，再筛选每个目标姓名的最佳匹配项：

步骤1：加载依赖包 #

library(dplyr)
library(fuzzyjoin)

步骤2：执行近似匹配与结果筛选 #

# 读取示例数据
df1 <- read.table(text="
id  full_name
1   'Tom Jones'
2   'Jim James'", header = TRUE, stringsAsFactors = FALSE)

df2 <- read.table(text="
full_name
'Tom Jones Jr.'
'Jim James Ii'", header = TRUE, stringsAsFactors = FALSE)

# 执行近似匹配并筛选最佳结果
result_df <- stringdist_join(df2, df1, 
                            by = "full_name",
                            max_dist = 5,  # 根据姓名差异程度调整最大允许距离
                            method = "lv") %>%  # 使用Levenshtein编辑距离计算相似度
  group_by(full_name.x) %>%  # 按df2中的姓名分组
  filter(stringdist == min(stringdist)) %>%  # 保留每组中匹配距离最小的项
  ungroup() %>%
  select(id, full_name = full_name.x)  # 整理成目标格式

# 查看最终结果
print(result_df)

关键参数说明 #

• method = "lv"：采用Levenshtein编辑距离计算两个字符串的差异，适合处理姓名后缀差异的场景；也可根据实际情况换成jaccard、cosine等其他匹配算法。
• max_dist：设置最大允许的匹配距离，确保只保留差异较小的匹配对，避免错误关联。

输出结果 #

# A tibble: 2 × 2
     id full_name     
  <int> <chr>         
1     1 Tom Jones Jr. 
2     2 Jim James Ii  

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