我有两个数据库。第一个有大约 70k 行 3 列。第二个有 790k 行 2 列。两个数据库都有一个共同的变量grantee_name
。我想基于此将第一个数据库的每一行与第二个数据库的一行或多行相匹配grantee_name
。注意merge
不会工作,因为grantee_name
不完美匹配。有不同的拼写等。所以,我使用fuzzyjoin
打包并尝试以下操作:
library("haven"); library("fuzzyjoin"); library("dplyr")
forfuzzy<-read_dta("/path/forfuzzy.dta")
filings <- read_dta ("/path/filings.dta")
> head(forfuzzy)
# A tibble: 6 x 3
grantee_name grantee_city grantee_state
<chr> <chr> <chr>
1 (ICS)2 MAINE CHAPTER CLEARWATER FL
2 (SUFFOLK COUNTY) VANDERBILT~ CENTERPORT NY
3 1 VOICE TREKKING A FUND OF ~ WESTMINSTER MD
4 10 CAN NEWBERRY FL
5 10 THOUSAND WINDOWS LIVERMORE CA
6 100 BLACK MEN IN CHICAGO INC CHICAGO IL
... 7 - 70000 rows to go
> head(filings)
# A tibble: 6 x 2
grantee_name ein
<chr> <dbl>
1 ICS-2 MAINE CHAPTER 123456
2 SUFFOLK COUNTY VANDERBILT 654321
3 VOICE TREKKING A FUND OF VOICES 789456
4 10 CAN 654987
5 10 THOUSAND MUSKETEERS INC 789123
6 100 BLACK MEN IN HOUSTON INC 987321
rows 7-790000 omitted for brevity
上面的例子足够清楚,可以提供一些好的匹配和一些不太好的匹配。请注意,例如,10 THOUSAND WINDOWS
将最匹配10 THOUSAND MUSKETEERS INC
但这并不意味着这是一个很好的匹配。某个地方会有更好的匹配filings
数据(上面未显示)。在现阶段这并不重要。
所以,我尝试了以下方法:
df<-as.data.frame(stringdist_inner_join(forfuzzy, filings, by="grantee_name", method="jw", p=0.1, max_dist=0.1, distance_col="distance"))
这对 R 来说是全新的。这会导致错误:cannot allocate vector of size 375GB
(当然还有大数据库)。 100 行的样本来自forfuzzy
总是有效。因此,我想到一次迭代 100 行的列表。
我已经尝试过以下方法:
n=100
lst = split(forfuzzy, cumsum((1:nrow(forfuzzy)-1)%%n==0))
df<-as.data.frame(lapply(lst, function(df_)
{
(stringdist_inner_join(df_, filings, by="grantee_name", method="jw", p=0.1, max_dist=0.1, distance_col="distance", nthread = getOption("sd_num_thread")))
}
)%>% bind_rows)
我也尝试过上面的方法mclapply
代替lapply
。即使我尝试使用高性能集群设置3个CPU,每个CPU有480G内存并使用,也会发生同样的错误mclapply
与选项mc.cores=3
。也许是一个foreach
命令可以提供帮助,但我不知道如何实现它。
我被建议使用purrr
and repurrrsive
包,所以我尝试以下操作:
purrr::map(lst, ~stringdist_inner_join(., filings, by="grantee_name", method="jw", p=0.1, max_dist=0.1, distance_col="distance", nthread = getOption("sd_num_thread")))
在出现新手错误后,这似乎有效by=grantee_name
陈述。然而,这需要很长时间,而且我不确定它是否会起作用。示例列表位于forfuzzy
100 行,其中n=10
(因此 10 个列表,每个列表 10 行)已经运行了 50 分钟,但仍然没有结果。