如何用R的stringdist和dplyr实现药品名称最优字符串匹配？

要实现每个原始药品名称匹配最优官方名称的需求，你需要按原始名称分组后筛选出距离最小的行（stringdist的距离值越小，字符串相似度越高），而非简单用固定阈值过滤。以下是具体实现：

library(stringdist)
library(dplyr)

# 计算字符串距离，按原始名称分组筛选最优匹配
result <- df %>%
  # 计算Jaro-Winkler距离，值越小表示字符串越相似
  mutate(name_dist = stringdist(orig_names, desired_names, method = "jw")) %>%
  # 按原始药品名称分组
  group_by(orig_names) %>%
  # 筛选每组中距离最小的行（若存在多个相同最小距离的匹配，可加slice_head(n=1)指定保留第一个）
  filter(name_dist == min(name_dist)) %>%
  # 移除临时计算的距离列（可选）
  select(-name_dist) %>%
  ungroup()

# 查看结果
result

运行后会得到预期的desired_df：

# A tibble: 2 × 3
  orig_names desired_names desired_names_code
  <chr>      <chr>                      <dbl>
1 KOGENATE   KOGENATE FS                   1
2 ADVATE     ADVATE                        3

关键说明 #

• 距离逻辑：stringdist的jw方法返回0-1的距离值，0代表完全匹配，1代表完全不匹配。因此要找最优匹配，需筛选最小距离的行，而非大于某个阈值。
• 分组筛选：通过group_by(orig_names)确保每个原始名称只保留一个最优匹配结果，避免无差别过滤导致的错误。
• 平局处理：如果同一原始名称存在多个相同最小距离的匹配项，可通过slice_head(n=1)/slice_tail(n=1)或业务规则（如编码大小）进一步指定保留项。

原代码无效的原因 #

你之前的代码逻辑存在两个核心问题：

• 条件stringdist(...) > 0.5会保留相似度极低的行，和找最优匹配的需求完全相反；
• 未按原始名称分组，无法保证每个原始名称仅保留一个最优结果。

内容的提问来源于stack exchange，提问作者TheGoat