R语言stringdist_left_join多列关联结果与预期不符问题咨询

测试环境与代码 #

使用依赖包：

library(dplyr)
library(fuzzyjoin)

构造测试数据集：

# 左表a
a <- data.frame(
  x = c("season", "season", "season", "package", "package"),
  y = c("1","2", "3", "1","6")
)
# 右表b
b <- data.frame(
  x = c("season", "seson", "seson", "package", "pakkage"),
  y = c("1","2", "3", "2","6")
)

原始关联逻辑代码：

c <- a %>%
  stringdist_left_join(b, by = c("x", "y"), max_dist = c(1,0))

实际输出结果 #

x.x y.x     x.y  y.y
1  season   1  season    1
2  season   1   seson    2
3  season   1   seson    3
4  season   2   seson    2
5  season   3  season    1
6  season   3   seson    2
7  season   3   seson    3
8 package   1 package    2
9 package   6    <NA> <NA>

预期结果 #

要求匹配规则为：x列最大编辑距离1的模糊匹配、y列0距离精确匹配，对应输出应为：

x.x y.x     x.y  y.y
1  season   1  season    1
2  season   2   seson    2
3  season   3   seson    3
4 package   1    <NA> <NA>
5 package   6 pakkage    6

核心原因 #

• 未对stringdist_left_join的匹配列做显式命名映射，位置传参的by = c("x", "y")和max_dist = c(1,0)无法被函数正确解析为“x列用1距离、y列用0距离”的独立匹配规则，最终导致y列的精确匹配规则失效，出现大量跨值错配（比如a表中y=1的行，本应只匹配b表中y=1的行，却错误匹配到了b表中y=2、y=3的seson条目）。
• fuzzyjoin的stringdist系列函数对无列名映射的位置参数存在解析歧义，多列场景下不会自动按顺序绑定距离阈值，会打乱列与阈值的对应关系。

修正方法 #

必须显式为by参数和max_dist参数加列名映射，明确：

• 左表哪一列对应右表哪一列
• 每一列单独使用的最大编辑距离阈值
  修正后的可复现代码：

c <- a %>%
  stringdist_left_join(
    b,
    # 显式列映射：左表列名 = 右表列名
    by = c("x" = "x", "y" = "y"),
    # 显式绑定每列的距离阈值，和映射列一一对应
    max_dist = c("x" = 1, "y" = 0)
  )

修正后输出 #

和预期结果完全一致：

x.x y.x     x.y  y.y
1  season   1  season    1
2  season   2   seson    2
3  season   3   seson    3
4 package   1    <NA> <NA>
5 package   6 pakkage    6

注意：即使y列是字符型存储的数值，设置max_dist=0就是严格的字符串精确匹配，不会和x列的模糊匹配规则互相干扰。

内容的提问来源于stack exchange，提问作者Maya