Сравнение каждой строки из одного фрейма данных с каждой строкой другого в тидиверсе

См. Мое решение с использованием fuzzyjoin. Он в основном распределяет каждую строку слева для каждой строки справа, потому что я установил высокий (10) max_dist, но вы можете уменьшить его, если вам все равно не нужны плохие совпадения. Затем он использует group_by и top_n, чтобы выбрать наилучшие совпадения для каждого first_name и last_name в первом фрейме данных.

Я добавил ваши критерии «несоответствия» и «ярлыка» (см. Первые 2 столбца). Вы можете настроить параметры функции сопоставления (прямо сейчас он сравнивает расстояние между строками для пяти указанных вами столбцов, используя специальный метод Stringdist, Levenshtein).

Кроме того, Боб Келсо появляется дважды, потому что лучшее совпадение связано между 2 (плохими) совпадениями, поэтому алгоритм не имеет возможности выбрать одно из одинаково плохих совпадений.

library(tidyverse); library(fuzzyjoin)

# Load data
df1 <- tibble::tribble(
             ~id, ~first_name,   ~last_name,                          ~account_nr, ~amount, ~currency, ~comment,
   "wW3A4QgpQQd",   "Lynnett",   "Labadini",      "ES46 2569 1625 6669 5490 4624", 9655.56,     "JPY",   "Z617",
   "LsoPIXEMOo5",    "Velvet",    "Ritelli",  "FR60 4478 1591 96PB SIMI FSTO L13", 6992.36,     "PHP",   "L841",
   "L2wBds77Pw8",       "orv",     "matfin", "LB61 6941 CQYE ONER G5T0 KNDU JU5H", 6184.38,     "CAD",   "o705",
   "ME4O9MKlOzO",      "ring",      "hecks",        "BG28 JYPB 4068 09NB FQ7I 6C", 4203.54,     "IDR",   "Y548",
   "d83N7Viwq8k",      "judd",    "Riddick",       "IL36 2200 2898 6944 4508 084", 3619.43,     "IDR",   "O762",
   "1l96680epEy",   "Edouard",   "Kapovski",   "IS73 1064 6186 1231 6178 3743 49", 5291.76,     "BRL",   "T397",
   "7JwvD23oMzC",      "Jake", "Rabinovich",           "KZ80 759G VOHS JHBY L5TY", 6994.26,     "NGN",   "Y784",
   "ZOcg2uprlN6",      "vere",   "gravener",      "SE39 1416 1830 7878 5026 6805", 5281.18,     "UAH",   "Z890",
   "AUrx3nYR2Ks",       "Bob",      "Kelso",           "VS41 5146 7748 1278 5362", 4324.12,     "USD",   "W312",
  "VrDS+DqRG4S1",     "Mitch",   "Mitchell",           "AT65 6306 7334 7478 1908", 4221.59,     "EUR",   "T352"
  )
df2 <- tibble::tribble(
                   ~id, ~first_name,  ~last_name, ~amount, ~currency, ~comment, ~recipient,
         "xGZx1tNE4oa",   "Lynnett",  "Labadini", 9655.56,     "JPY",   "Z617",         72,
         "nV7NtxiguPQ",    "Velvet",   "Ritelli", 6992.36,     "PHP",   "L841",        175,
         "Rto0EHOR17k",       "Orv",    "Matfin", 6184.38,     "CAD",   "O705",        412,
         "2VDMHTJnxcw",      "Ring",     "Hecks", 4203.54,     "IDR",   "Y548",         63,
         "VQI7I0EZf1q",      "Judd",   "Riddick", 3619.43,     "IDR",   "O163",         39,
         "w835JEfmJvZ",   "Edouard", "Avramovic", 5291.76,     "BRL",   "T397",        240,
         "of2FZZXFKY8",     "Ferdy", "Petracchi", 6994.26,     "NGN",   "Y784",        102,
         "XgUZFhKowB1",      "Vere",  "Gravener", 5281.18,     "IDR",   "U024",        111,
         "iGO9advyXP3",      "Temp", "McKeevers", 7364.49,     "TND",   "R404",        327,
         "5BCiYQVhfxM",     "Arnie",   "Ashdown", 4221.59,     "ZAR",   "N988",        262
         )

# Solution using fuzzyjoin
stringdist_left_join(df1, df2, by = c("first_name", "last_name", "amount", "currency", "comment"), 
                     max_dist = 10, ignore_case = TRUE, method = "lv", distance_col = "dist") %>%
  mutate(total.dist = first_name.dist + last_name.dist + amount.dist + currency.dist + comment.dist) %>%
  group_by(first_name.x, last_name.x) %>%
  top_n(-1, total.dist) %>%
  mutate(mismatch = (first_name.dist>0) + (last_name.dist>0) + (amount.dist>0) + (currency.dist>0) + (comment.dist>0),
         label = case_when(mismatch == 0 ~ "match",
                           mismatch == 1 ~ "high",
                           mismatch == 2 ~ "proposed",
                           mismatch > 2 ~ "none",
                           TRUE ~ "")) %>%
  select(label, mismatch, total.dist, everything())
#> # A tibble: 11 x 22
#> # Groups:   first_name.x, last_name.x [10]
#>    label mismatch total.dist id.x  first_name.x last_name.x account_nr
#>    <chr>    <int>      <dbl> <chr> <chr>        <chr>       <chr>     
#>  1 match        0          0 wW3A~ Lynnett      Labadini    ES46 2569~
#>  2 match        0          0 LsoP~ Velvet       Ritelli     FR60 4478~
#>  3 match        0          0 L2wB~ orv          matfin      LB61 6941~
#>  4 match        0          0 ME4O~ ring         hecks       BG28 JYPB~
#>  5 high         1          2 d83N~ judd         Riddick     IL36 2200~
#>  6 high         1          7 1l96~ Edouard      Kapovski    IS73 1064~
#>  7 prop~        2         14 7Jwv~ Jake         Rabinovich  KZ80 759G~
#>  8 prop~        2          7 ZOcg~ vere         gravener    SE39 1416~
#>  9 none         5         20 AUrx~ Bob          Kelso       VS41 5146~
#> 10 none         5         20 AUrx~ Bob          Kelso       VS41 5146~
#> 11 none         4         19 VrDS~ Mitch        Mitchell    AT65 6306~
#> # ... with 15 more variables: amount.x <dbl>, currency.x <chr>,
#> #   comment.x <chr>, id.y <chr>, first_name.y <chr>, last_name.y <chr>,
#> #   amount.y <dbl>, currency.y <chr>, comment.y <chr>, recipient <dbl>,
#> #   amount.dist <dbl>, comment.dist <dbl>, currency.dist <dbl>,
#> #   first_name.dist <dbl>, last_name.dist <dbl>

^{Создано 17 марта 2019 г. пакетом REPEX (v0.2.1)}