如何合并不同维度的R数据框并实现模糊匹配？

需求说明 #

需要合并两个单列、行数不同的数据框，支持精确匹配（如John与John）和模糊匹配（如Tommy与Tom），匹配项置于同一行；无匹配项的对应列填充NA，最终保留所有观测值。

解决方案代码 #

我们可以借助stringdist包的字符串距离算法实现模糊匹配，结合dplyr进行数据合并处理：

# 安装并加载所需包
install.packages(c("stringdist", "dplyr"))
library(stringdist)
library(dplyr)

# 构造初始数据框（给列命名，方便后续处理）
df1 <- data.frame(name1 = c("John", "Tommy", "Linda", "Cole"))
df2 <- data.frame(name2 = c("Tom", "John", "Bruce"))

# 计算df1每个元素与df2所有元素的Jaro-Winkler距离（适合人名匹配）
match_scores <- stringdistmatrix(df1$name1, df2$name2, method = "jw")

# 找到每个df1元素对应的最相似df2元素（距离越小越相似）
df1$match_idx <- apply(match_scores, 1, which.min)
# 设置匹配阈值（这里取0.2，可根据需求调整，值越小匹配越严格）
df1$match_name <- ifelse(apply(match_scores, 1, min) <= 0.2, df2$name2[df1$match_idx], NA)

# 构建df2的未匹配项
df2_unmatched <- df2 %>% filter(!name2 %in% df1$match_name) %>% mutate(name1 = NA)

# 合并df1匹配结果与df2未匹配项，整理列名
final_df <- df1 %>% 
  select(name1, match_name) %>% 
  rename(df1 = name1, df2 = match_name) %>% 
  bind_rows(df2_unmatched %>% rename(df1 = name1, df2 = name2))

# 输出结果
final_df

结果说明 #

运行上述代码后，输出结果与期望一致：

df1    df2
1   John   John
2  Tommy    Tom
3  Linda   <NA>
4   Cole   <NA>
5   <NA>  Bruce

关键细节说明 #

• 字符串距离算法：这里使用Jaro-Winkler距离（method = "jw"），专门针对短字符串（如人名）的匹配优化，比其他算法更适合此类场景。
• 匹配阈值：代码中设置的0.2是经验值，可根据实际需求调整——阈值越小，匹配越严格；若需要更宽松的匹配，可适当增大阈值。
• 全外连接逻辑：先处理df1的匹配项，再单独提取df2中未被匹配的项，最后合并得到包含所有观测值的结果。

内容的提问来源于stack exchange，提问作者Abbey A.