如何基于文本匹配关联人物与高校数据集？R语言代码纠错

直接用left_join返回空结果的核心原因是：left_join基于字段值完全相等的逻辑做关联，但你的需求是从biography的长文本里模糊匹配college_records_ex中的高校名称，两个数据集不存在能直接完全匹配的关联字段，自然无法匹配出结果。

R语言版本（基于dplyr、stringr） #

1. 加载依赖包

library(dplyr)
library(stringr)

2. 生成高校名称匹配规则，从biography中提取匹配的高校名

# 把所有高校名拼接成正则匹配串
college_match_str <- str_c(college_records_ex$college_name, collapse = "|")

# 提取高校名后再关联
final_result <- people_records_ex %>%
  mutate(matched_college = str_extract(biography, college_match_str)) %>%
  left_join(college_records_ex, by = c("matched_college" = "college_name"))

Python版本（基于pandas） #

import pandas as pd
import re

# 生成高校名称匹配正则串
college_pattern = '|'.join(college_records_ex['college_name'])

# 从biography中提取匹配的高校名，再做左关联
people_records_ex['matched_college'] = people_records_ex['biography'].str.extract(f'({college_pattern})')
final_result = people_records_ex.merge(college_records_ex, left_on='matched_college', right_on='college_name', how='left')

注意：如果存在高校简称/全称不统一的情况（比如"北大"和"北京大学"），需要先统一名称映射规则，否则会出现匹配遗漏。

内容的提问来源于stack exchange，提问作者wizkids121