reclin2 中的数字/用户定义的相似度计算

Question

我想使用 reclin2 包或 R 中提供的任何其他记录匹配包，以便根据几个数字和分类属性（数量、价格、位置、地址…）来匹配每 2 个市场参与者报告的交易。

我想知道是否有可能使用 R 包并集成用户定义的函数来计算两个记录之间每个属性的相似度？例如，为了比较值 90 和 100，是否可以将相似度计算为百分比 90/100 = 0.9 而不是 FALSE，因为它们不完全匹配。

例如，应比较同一Block_ID内的所有Report_ID并计算相似度分数。

报告的交易：

数据

structure(list(Report_ID = c(1, 2, 3, 4, 5, 6, 7, 8, 9, 10),
Block_ID = c(1, 1, 1, 2, 2, 2, 3, 3, 3, 3), Number = c(5,
3, 2, 10,     11, 100, 2, NA, 8, 2), Character = c("A", "A",
"B", "A", "B", "C", "D", "A", "D", "A")), class = "data.frame", 
row.names     = c(NA,
\-10L))

报告_ID	区块_ID	数量	性格
1	1	5	A
2	1	3	A
3	1	2	B
4	2	10	A
5	2	11	B
6	2	100	C
7	3	2	D
8	3	#NA	A
9	3	8	D
10	3	2	A

结果 df 可能如下所示：相似度数据框

报告_ID_组合	相似度_编号	相似度_性格
1_2	0.60	1
1_3	0.40	0
2_3	0.67	0
4_5	0.91	0
4_6	0.10	0
5_6	0.11	0
7_8	#NA	0
7_9	0.25	1
7_10	1.00	0
8_9	#NA	0
8_10	#NA	1
9_10	0.25	0

据我所知，典型的记录匹配/重复数据删除包（reclin2、RecordLinkage、StatMatch、fedmatch）为分类特征（Jaccard、Levenshtein、Cosine...）提供了几种距离测量，但是对于相对数值比较，包括。 NA 处理 我还没有找到合适的套餐。

R/记录匹配领域的工作人员就此类问题提供任何提示，我们将不胜感激。

谢谢，

马吕斯

Answer 1

使用以下内容：

#devtools::install_github('oonyambu/SLR')

similarity <- function(x, y){
  if (is.numeric(x)) list(num = min(x,y)/max(x,y))
  else list(num = +(x == y))
}

SLR::multiple_tests(.~Report_ID|Block_ID, df, similarity)|>
   tidyr::pivot_wider(names_from = response, values_from = num)

# A tibble: 12 × 4
   Block_ID grp   Number Character
   <chr>    <chr>  <dbl>     <dbl>
 1 1        1:2    0.6           1
 2 1        1:3    0.4           0
 3 1        2:3    0.667         0
 4 2        4:5    0.909         0
 5 2        4:6    0.1           0
 6 2        5:6    0.11          0
 7 3        7:8   NA             0
 8 3        7:9    0.25          1
 9 3        7:10   1             0
10 3        8:9   NA             0
11 3        8:10  NA             1
12 3        9:10   0.25          0