如何使用R的RecordLinkage包找到记录匹配？

Question

我对一般的数据链接，尤其是R RecordLinkage包相对陌生。我有如下数据：

require(RecordLinkage)
library(RCurl)
dss_member <- read.csv(text = getURL("https://raw.githubusercontent.com/kilimba/data/master/dss_member.csv"),
stringsAsFactors = F)
dss_member$id <- NULL
patient <- read.csv(text = getURL("https://raw.githubusercontent.com/kilimba/data/master/patient.csv"),
stringsAsFactors = F)
patient$id <- NULL
rpairs <- compare.linkage(patient,dss_member)
rpairs$pairs
rpairs <- epiWeights(rpairs) 
summary(rpairs)

如您所见，我有两个数据帧，dss_member(11行)和patient(5行)。用户James Earl Jones说，我在两者中都插入了一行，理论上应该绝对是一个链接。然而，我有两个担忧。

1. 行rpairs$pairs导致输出，其中最后一列is_match始终显示为NA，尽管我确信两个数据集中至少有一行相同。这是什么意思？这与另一个SO问题有关，该问题尚待回答。

2. 线路

   rpairs <- epiWeights(rpairs)

   summary(rpairs)

给出如下结果：

Linkage Data Set
5 records in data set 1 
11 records in data set 2 
55 record pairs 
0 matches
0 non-matches
55 pairs with unknown status

Weight distribution:
[0,0.2] (0.2,0.4] (0.4,0.6] (0.6,0.8]   (0.8,1] 
47         1         3         2         2 

(a) 为什么它显示0场比赛和0场非比赛，而至少在比赛中肯定有(James Earl Jones)

(b) 函数compare.linkage()中的identity参数是可选的吗？如果是这样的话，当你把它放在外面和放进去时会发生什么？

(c) 即使没有"金标准"也可以使用此包来执行记录链接，并且不能记录链接评估吗？

谨致问候，图迈尼

Answer 1

图迈尼，

您需要区分真实状态(假或真)和分类(非链接、可能或链接)。请参阅作者在《R Journal 2/2》(2010)上的文章、软件包手册以及作者在此处的回复：R RecordLinkage Identity。

直接回答您的问题：

(a) 输出显示"0匹配"one_answers"0不匹配"，因为您在compare.linkage().中省略了identity1和identity2参数

(b) 是的，compare.linkage()中的identity1和identity2参数是可选的。如果省略了标识参数，则会忽略真正的匹配状态。如果您正确地指定了标识参数，那么将使用真正的匹配状态。

(c) 我不知道你所说的"记录链接"one_answers"记录链接评估"是什么意思。记录链接可以理解为一个以比较模式为输入、以匹配状态为输出的分类问题。

以下是您可能想要尝试的四步解决方案：

1) 在不带标识参数的情况下运行compare.linking。

2) 从记录对中创建两个标识变量。

3) 将两个身份变量转换为身份向量。

4) 再次运行compare.linkage，但使用标识参数运行。

安德斯·亚历山大[e-mail]