在R中实现球员姓名精准匹配与dplyr数据框无错连接

1. 先做精确匹配（优先覆盖无歧义的情况） #

先保留原始姓名列，不要直接替换，新增处理后的字段用于后续匹配：

library(dplyr)

# 给两个数据框备份原始姓名
data_1 <- data_1 %>%
  mutate(original_player = player) %>%
  # 提取姓氏（最后一个空格后的内容）
  mutate(last_name = sub('.*\\s', '', player),
         # 提取名的前缀（空格前的内容，比如W.这种缩写）
         first_part = sub('\\s.*', '', player))

data_2 <- data_2 %>%
  mutate(original_player = player) %>%
  mutate(last_name = sub('.*\\s', '', player),
         # 提取所有名的部分（拆分后去掉姓氏的部分）
         first_names = strsplit(player, '\\s') %>% purrr::map_chr(~paste(.[-length(.)], collapse = ' ')))

先匹配完全一致的姓名，把这部分先拎出来：

# 精确匹配原始姓名
matched_exact <- inner_join(data_1, data_2, by = c("player" = "player")) %>%
  select(original_player.x, original_player.y, Flag)

# 移除已匹配的条目，剩下的是需要模糊匹配的
data_1_unmatched <- anti_join(data_1, matched_exact, by = c("original_player" = "original_player.x"))
data_2_unmatched <- anti_join(data_2, matched_exact, by = c("original_player" = "original_player.y"))

2. 分层模糊匹配（解决姓氏相同但名不同的歧义） #

针对Anguissa这种名部分重叠的情况，同时避免Fofana的错配，我们用「姓氏精确匹配 + 名的部分包含」的逻辑：

library(stringr)

# 姓氏必须完全匹配，且一方的名包含另一方的名
matched_partial <- inner_join(data_1_unmatched, data_2_unmatched, by = "last_name") %>%
  filter(str_detect(first_names.y, fixed(first_part.x)) | str_detect(first_part.x, fixed(first_names.y))) %>%
  # 防止一个球员对应多个匹配结果，先取第一个（如果有多个，后续手动确认）
  group_by(original_player.x) %>%
  slice(1) %>%
  ungroup() %>%
  select(original_player.x, original_player.y, Flag)

# 更新未匹配列表
data_1_unmatched <- anti_join(data_1_unmatched, matched_partial, by = c("original_player" = "original_player.x"))
data_2_unmatched <- anti_join(data_2_unmatched, matched_partial, by = c("original_player" = "original_player.y"))

3. 手动处理剩余未匹配项 #

总有一些特殊情况（比如拼写差异、罕见姓名），这时候手动匹配是最靠谱的：

# 查看剩下没匹配上的球员
cat("data_1中未匹配的球员：\n")
print(data_1_unmatched$original_player)
cat("\ndata_2中未匹配的球员：\n")
print(data_2_unmatched$original_player)

# 手动创建匹配映射，根据实际情况修改
manual_matches <- tibble(
  original_player.x = c("W. Fofana"),
  original_player.y = c("对应data_2里的全名")
)

# 合并手动匹配结果
matched_manual <- inner_join(data_1_unmatched, manual_matches, by = "original_player.x") %>%
  inner_join(data_2_unmatched, by = c("original_player.y" = "original_player")) %>%
  select(original_player.x, original_player.y, Flag)

4. 合并所有匹配结果 #

把精确匹配、模糊匹配、手动匹配的结果合并起来，就是最终的匹配表：

final_matched <- bind_rows(matched_exact, matched_partial, matched_manual) %>%
  rename(player_data1 = original_player.x, player_data2 = original_player.y)

# 查看最终结果
print(final_matched)

这种方法的好处是：先通过精确匹配减少后续工作量，再用针对性的模糊逻辑解决大部分歧义，最后手动收尾特殊情况，既能保证效率，又能避免错配，比单纯调fuzzyjoin的max_dist更可控。

内容的提问来源于stack exchange，提问作者Mimi Guo