无唯一标识符的两个鸟类环志数据框合并方法咨询

匹配逻辑说明 #

两个数据集不存在直接唯一关联键，可通过「共同字段等值匹配+环号前缀模糊匹配」的两层规则实现关联：

1. 先基于共享的GISBLong、GISBLat、B Flyway、B Month、B Year字段做等值匹配，筛选出同上环地点、同上环时间、同迁徙路线的候选匹配对，大幅缩小匹配范围
2. 对候选匹配对做环号校验：判断回收数据的完整环号Band是否以环志数据的Band Prefix Plus为前缀，符合规则即为匹配成功的记录

R语言实现代码（适配dplyr工具栈） #

# 加载依赖包
library(dplyr)
library(stringr)

# 1. 基于共同字段生成候选匹配表
candidate_matches <- inner_join(
  x = band_info, # 替换为你的环志数据表名
  y = recover_info, # 替换为你的回收数据表名
  by = c("GISBLong", "GISBLat", "B Flyway", "B Month", "B Year"),
  suffix = c("_band", "_recover")
)

# 2. 筛选前缀匹配的有效记录
valid_matches <- candidate_matches %>%
  filter(str_starts(string = Band, pattern = `Band Prefix Plus`))

# 3. （可选）同一条环志匹配到多条回收记录时，按业务规则去重，示例为保留最早回收记录
valid_matches <- valid_matches %>%
  group_by(across(all_of(colnames(band_info)))) %>%
  slice_min(order_by = `R Year`, n = 1, with_ties = FALSE) %>%
  ungroup()

# 4. 合并回原始环志表，无回收记录的对应字段为NA
final_result <- band_info %>%
  left_join(
    y = valid_matches %>% select(all_of(colnames(band_info)), Band, `R Month`, `R Year`),
    by = colnames(band_info)
  )

注意事项 #

• 如果环号前缀存在包含关系（比如前缀A是AB，前缀B是ABC），可按前缀长度倒序排序后匹配，避免短前缀先匹配到长前缀对应的记录
• 若共同字段精度不足导致候选匹配量过大，可增加上环站点、鸟类物种等额外字段作为匹配条件（如果数据中存在的话）

内容的提问来源于stack exchange，提问作者kharv22