如何在R包RecordLinkage中使用compare.linkage——意外的输出

我正在使用R包RecordLinkage中的compare.linkage函数， 得到的结果我知道是错误的，所以我知道我误解了一些东西。 我正在使用适用于 x64 Windows 的 R 3.2.3。我对 Stata 非常熟悉，但对 R 不太熟悉。我只是在 r-help 上交叉发帖。

我可以从阻止字段创建记录对，但所有对都是未知状态 (NA)。我无法创建匹配或不匹配。我想要一个简单的工作示例，说明如何使用 RecordLinkage 包链接数据集。看来手册和 R Journal Vol. 2/2 仅展示如何使用compare.dedup 函数对单个数据集进行重复数据删除，而不是如何使用compare.linkage 函数将两个数据集链接在一起。我可以重现 R Journal 文章中的示例，因此我的 R 安装没问题。

手册中的示例数据集对 7 个变量有 500 和 10000 个观测值，但 1 个观测值和 2 个变量就足以显示问题。 我的第一个比较模式如下所示：

  id1  id2 fname_c1 bm is_match
1  17  343        1  1       NA

相反，我想要并期望一个如下所示的比较模式：

  id1  id2 fname_c1 bm is_match
1  17  343        1  1       1

我的阻塞变量是 fname_c1，代表名字的第一个组成部分。我的匹配变量是 bm 代表出生月份。我的理解是，示例输出中的第 1 行是 fname_c1 在基础数据集中匹配的第一行。当两个链接数据集中的匹配变量 bm=1 时，我希望并期望 is_match 为 1，如示例中所示。

有关更多详细信息，这是我输入的内容和 R 输出：

> library(RecordLinkage)
> data(RLdata500)
> data(RLdata10000)
> RLdata500[17, ]
    fname_c1 fname_c2 lname_c1 lname_c2   by bm bd
17 ALEXANDER     <NA>  MUELLER     <NA> 1974  9  9
> RLdata10000[343, ]
     fname_c1 fname_c2 lname_c1 lname_c2   by bm bd
343 ALEXANDER     <NA>  BAUMANN     <NA> 1957  9  7
> rpairs <- compare.linkage(RLdata500,RLdata10000,blockfld=c(1),     exclude=c(2:5,7))
> rpairs$pairs[c(1:2), ] # Why is_match=NA? (should be 1)
  id1  id2 fname_c1 bm is_match
1  17  343        1  1       NA
2  17 2385        1  0       NA
> rpairs <- epiWeights(rpairs) # (Weight calculation)
> summary(rpairs) # (0 matches in Linkage Dataset)

Linkage Data Set

500 records in data set 1 
10000 records in data set 2 
47890 record pairs 

0 matches
0 non-matches
47890 pairs with unknown status


Weight distribution:
[omitted here to save space]

参考：

1. “RecordLinkage”包手册 （可在线获取 PDF 版本，网址为https://cran.r-project.org/web/packages/RecordLinkage/RecordLinkage.pdf)

2. R 期刊文章文章“RecordLinkage 包：检测数据中的错误” （可在线获取 PDF 版本，网址为https://journal.r-project.org/archive/2010-2/RJournal_2010-2_Sariyar+Borg.pdf)

我在手册和 R 期刊文章中看到了一些关于真实匹配结果的恒等论证的内容，但我想我只需要它作为参考（“黄金标准”）数据集。对于我的示例，两个基础数据集中都有一个非缺失值 (bm=1)，因此这并不是结果为 NA 的原因。我缺少什么？如何使用 R 中的 Compare.linkage 链接两个简单的数据集？

安德斯·亚历山大森

[电子邮件受保护]

我遇到了同样的问题，并且我对此答案有可能的解决方案这是由于identity范围。

从样本数据中，在Record Linkage包中，我发现这个向量identity.RLdata500携带有关重复记录的信息RLdata500500 条记录中有 50 条是重复记录

length(unique(identity.RLdata500))
[1] 450

我在数据集中找到了类似的列，并将其存储为单独的向量，并将向量传递给身份参数

New_data_seq
118
118

New_data_seq <- R_New_data_zero$SEQ_NO 
abc <- compare.dedup (R_New_data_zero,identity = New_data_seq) 


    BICODE ALCODE IS_T OID conc
     I      A     1    99   IA1
     I      A     1    99   IA1
abc$pairs[1:1, ]

id1 id2 BICODE ALCODE IS_T OID conc is_match
 1   2   1        1    1    1    1       1