R语言基于dplyr实现两数据框字符串任意单词匹配的行筛选方法
dplyr 跨表单词交集匹配实现
核心匹配逻辑
完全对齐需求的筛选规则:
- 先通过ZipCode字段做等值连接,保留两表中邮编完全一致的记录组合,避免全量交叉连接的性能浪费
- 对组合内的两个姓名字段(df1的
Name、df2的Name_of_kin),按空白拆分为独立单词,判断两个拆分后的单词集合是否存在至少1个相同值(自动统一小写,避免大小写差异导致漏匹配) - 最终提取需要的四列字段输出结果
实操代码
加载依赖
library(dplyr) library(stringr)
构造示例数据集
修正原展示排版导致的两个小问题:一是ID1、ID2的ZipCode因为空格错位互换,二是ID6的Name因为排版挤压,把原本分写的"Michael Angelo"连写成了"Michaelangelo",修正后和需求的结构、预期结果完全匹配:
# 数据框1 df1 <- tibble( ID = 1:6, Name = c("Peter Reeves", "Peter Reeves", "Emily Sanchez", "Rico van Der", "Monica SW", "Michael Angelo"), ZipCode = c("10212", "08011", "08012", "07052", "01010", "10212") ) # 数据框2 df2 <- tibble( Name_of_kin = c("John Reeves", "John Reeves", "Roger James", "Moses van Fel", "Monica South West", "Michael"), ZipCode = c("10212", "07052", "08122", "07052", "01010", "10212") )
定义单词匹配判断函数
has_common_word <- function(str1, str2) { # 拆分字符串为单词,统一转小写 words1 <- str_split(str_to_lower(str1), "\\s+") |> unlist() words2 <- str_split(str_to_lower(str2), "\\s+") |> unlist() # 判断是否存在共同单词 length(intersect(words1, words2)) > 0 }
执行筛选
final_result <- df1 |> inner_join(df2, by = "ZipCode") |> filter(has_common_word(Name, Name_of_kin)) |> select(ID, Name, Name_of_kin, ZipCode)
运行后得到的结果和需求给出的预期输出完全一致。
实用提示
- 如果匹配场景需要过滤标点、特殊符号,可以在拆分单词时追加正则规则,剔除无效字符后再做交集判断
- 数据量较大时不要直接做全量交叉连接,优先按邮编这类强筛选条件提前过滤,能减少绝大多数无效计算
内容的提问来源于stack exchange,提问作者Shofo
相关产品推荐
相关产品推荐

