r-使用具有多个可能名称的ID组合数据集

Question

我有两个数据集，都有狗的品种名称。我想以某种方式将数据集组合起来，但很多狗都有多个名字，所以例如非洲无毛狗也被称为非洲阿比西尼亚梗。

我认为这些名字太不同了，无法通过单词的相似性来匹配，所以我想知道匹配它们的最佳方式是什么。

例如，假设数据集1是

Breed                           Height (inches)
------------------------------------------------                 
Golden Retriever                20 
Labrador Retriever              22
African Hairless Dog            17 

数据集2是

Breed                           Weight (pounds)
------------------------------------------------               
African Abyssinian Terrier      30 
Golden Retriever                60 
Labrador Retriever              65

我想要一个如下的数据集：

Breed                           Height (inches)           Weight (pounds)
-------------------------------------------------------------------------              
African Hairless Dog            17                        30
Golden Retriever                20                        60
Labrador Retriever              22                        65

Answer 1

如果在两个数据帧中有一个唯一的id列变量，那么left_join就可以了。例如

df1 = data.frame(id = c(1,2,3), breed = c("African  Abyssinian Terrier", "Golden Retriever","Labrador Retriever"), height= c(17, 20 , 22))
df2 = data.frame(id = c(1,2,3), breed = c("African Hairless Dog", "Golden Retriever","Labrador Retriever"), weight = c(30, 60 , 65))
library(dplyr)

> df1 %>% left_join(df2, by = c("id" = "id"))
id                     breed.x height              breed.y weight
1  1 African  Abyssinian Terrier     17 African Hairless Dog     30
2  2            Golden Retriever     20     Golden Retriever     60
3  3          Labrador Retriever     22   Labrador Retriever     65

如果你想要，你可以做一些清理

df3 = df1 %>% 
left_join(df2, by = c("id" = "id")) %>% 
select(-breed.y) %>% 
rename(breed = breed.x)

> df3
id                       breed height weight
1  1 African  Abyssinian Terrier     17     30
2  2            Golden Retriever     20     60
3  3          Labrador Retriever     22     65

Answer 2

根据James Curran的回答想出了一个解决方案。创建一个数据帧df3，其中每行包含一个品种的所有可能昵称，以及一个唯一的id号。使用filter_all从每个数据集中筛选唯一id号，然后使用唯一id号加入每个数据集。

df1 <- data.frame(breed = c("Labrador Retriever", "GR","African Abyssinian"), height= c(17, 20 , 22))
df2 <- data.frame(breed = c("African Hairless Dog", "Golden Retriever","Labrador Retriever"), weight = c(30, 60 , 65))
#create data frame, df3
df3 <- data.frame(id = 1:3, breed1 = c("African Hairless Dog", "Golden Retriever","Labrador Retriever"), breed2 = c("African Abyssinian Terrier", "GR","LR"))
id1 <- data.frame()
id2 <- data.frame()
for (i in 1:3){
id <- df3 %>% filter_all(any_vars(grepl(df1$breed[i],.))) %>% select(id)
id <- cbind(id,df1$breed[i]) %>% rename(breed = `df1$breed[i]`)
id1 <- rbind(id1,id)
id <- df3 %>% filter_all(any_vars(grepl(df2$breed[i],.))) %>% select(id)
id <- cbind(id,df2$breed[i]) %>% rename(breed = `df2$breed[i]`)
id2 <- rbind(id2,id)
}
df1 <- left_join(df1,id1) #keep breed name from this data set
df2 <- left_join(df2,id2) %>% select(-breed)
final_data_frame <- left_join(df1,df2, by=c('id'))

如果有人有更优雅的解决方案，也将不胜感激！