如何用R判断数据框两列地址值是否达到至少95%匹配度？

我们可以借助stringdist包计算地址字符串的相似度，以此判断两组地址是否达到95%以上的匹配度，具体实现步骤如下：

1. 安装并加载stringdist包

install.packages("stringdist")
library(stringdist)

2. 计算相似度并生成匹配标记列
   使用stringsim()函数计算两组地址的相似度（取值范围0-1，1代表完全匹配），通过ifelse()判断是否满足≥95%的匹配要求，生成"Yes"/"No"标记：

df$Match_Result <- ifelse(stringsim(df$`Home Address`, df$`Mail Address`, method = "cosine") >= 0.95, "Yes", "No")

如果偏好基于字符集合的Jaccard相似度计算，只需将method参数改为"jaccard"即可：

df$Match_Result <- ifelse(stringsim(df$`Home Address`, df$`Mail Address`, method = "jaccard") >= 0.95, "Yes", "No")

3. 查看最终结果
   运行上述代码后，你的DataFrame会新增Match_Result列，示例数据的输出如下：

> df
    Client          Home Address           Mail Address Match_Result
1 Client1 123 N. Franklin Ave.    123 Franklin Avenue          Yes
2 Client2     345 Circle Drive     345 S. Circle Dr.           Yes
3 Client3 567 Smith St. Suite 5 567 Smith Street Ste 5          Yes
4 Client4  678 Buchanan Rd. SW     678 Buchanan Road           Yes
5 Client5      12 State Street        17 Ralph Lane            No

补充优化方案 #

如果想进一步提升匹配精度，可以先对地址做标准化处理（统一缩写、去除方向词、统一大小写等），再计算相似度：

# 定义地址标准化函数
standardize_address <- function(addr) {
  addr <- tolower(addr)
  addr <- gsub("\\.", "", addr) # 移除点号
  # 统一各类街道缩写
  addr <- gsub("ave|avenue", "avenue", addr)
  addr <- gsub("st|street", "street", addr)
  addr <- gsub("dr|drive", "drive", addr)
  addr <- gsub("rd|road", "road", addr)
  addr <- gsub("suite|ste", "suite", addr)
  addr <- gsub("n |s |e |w |sw |nw |se |ne ", "", addr) # 移除方向词
  return(addr)
}

# 生成标准化后的地址列
df$Home_Standard <- standardize_address(df$`Home Address`)
df$Mail_Standard <- standardize_address(df$`Mail Address`)

# 基于标准化地址计算匹配结果
df$Match_Standard <- ifelse(stringsim(df$Home_Standard, df$Mail_Standard, method = "cosine") >= 0.95, "Yes", "No")

标准化处理能有效规避格式差异带来的误判，让匹配结果更精准。

内容的提问来源于stack exchange，提问作者MKN17