R语言表合并报错：如何结合等值匹配与Levenshtein距离模糊匹配？

错误原因 #

merge(table1, table2, by = NULL)会生成两个表的笛卡尔积（共16行），但你在filter中使用table1$col1_a和table2$col1_b时，调用的是原始数据表的列（各4个元素），返回的布尔向量长度为4，与合并后数据框的16行不匹配，因此触发长度错误。

解决方案 #

方案1：修正filter中的列引用 #

直接使用合并后数据框的列名（而非原表的$引用），确保对每一行的对应列计算距离：

library(stringdist)
library(dplyr)

table1 <- data.frame(col1_a = c("appple", "orangesz", "banana", "pear"), col2_a = c(123, 456, 789, 234))
table2 <- data.frame(col1_b = c("aples", "orange", "bannnana", "pear"), col2_b = c(123, 456, 789, 567))

is_close_enough <- function(s1, s2) {
   stringdist(s1, s2) < 5
}

# 修正列引用，使用合并后的列名
result <- merge(table1, table2, by = NULL) %>%
    filter(is_close_enough(col1_a, col1_b), col2_a == col2_b)

方案2：先按col2合并再过滤（更高效） #

先通过merge匹配相等的col2_a和col2_b，再过滤Levenshtein距离条件，避免生成不必要的笛卡尔积：

library(stringdist)
library(dplyr)

table1 <- data.frame(col1_a = c("appple", "orangesz", "banana", "pear"), col2_a = c(123, 456, 789, 234))
table2 <- data.frame(col1_b = c("aples", "orange", "bannnana", "pear"), col2_b = c(123, 456, 789, 567))

# 先按col2合并，再过滤距离条件
result <- merge(table1, table2, by.x = "col2_a", by.y = "col2_b") %>%
    filter(stringdist(col1_a, col1_b) < 5)

两种方案都能得到正确结果，方案2在数据量较大时性能更优。

内容的提问来源于stack exchange，提问作者stats_noob