匹配名字相似的人：r

这里有一种使用字符串相似性的可能性.它在您的示例中运行得很好，因为您的数据完全分离.然而，超过500K的行，您可能会遇到一些问题，但它可以让您开始:

library(stringdist)
library(dplyr)
library(purrr)

group_first <- function(dat, cutoff = 0.5) {
  if (n_distinct(dat) == 1) return(1)

  M <- stringsimmatrix(dat$first_name, dat$first_name, method = "cosine", q = 2)
  l <- unique(lapply(seq_len(nrow(M)), \(x) dat$first_name[M[x, ] > cutoff]))
  
  person_id <- map(dat$first_name, ~ which(grepl(.x, l, fixed = T))) |>
    modify_if(~ length(.x) > 1, ~ 0)
  
  return(unlist(person_id))
}

data_current |>
  mutate(person_id = group_first(pick(everything())), .by = c(date_of_birth, last_name)) |>
  # review output before running next mutate
  mutate(person_id = cur_group_id(), .by = c(date_of_birth, last_name, person_id))

Output

     first_name last_name date_of_birth school_id person_id
1          will     smith    2000-01-02         1         1
2       william     smith    2000-01-02         2         1
3       william     smith    2000-01-02         3         1
4         laura   maxwell    2007-01-02         4         2
5       jessica   maxwell    2007-01-02         5         3
6 jessicalouise   maxwell    2007-01-02         6         3
7         james      lead    1999-01-02         7         4
8          greg     jones    2004-01-02         8         5
9       griffin     jones    2004-01-02         9         6

How it works个

1. 取每个出生组的姓氏和日期，并计算二元字符余弦相似度分数.如果该相似性分数大于0.5(默认情况下)，则将名字分组在一起.
2. 一个名字可能在多个名字分组中，如果是这样，则返回零，并且这些特殊情况将需要进一步审查.例如，"jess"可以与"jessica"和"jesse"匹配，但"jesse"不一定与"jessica"匹配.此时，ID在姓氏和出生日期内是唯一的，但不是全部.
3. 在步骤2中判断之后(这将需要使用更精细的算法或手动完成)，然后重新计算ID，以便它们在不同的人中是不同的.

正如 comments 中提到的，对于具有相似的二元语法但又不相同的名字来说，这可能会很棘手.这些情况将很难区分.此外，由于这只是一个词汇比较，它可能不适用于缩写名称.例如，"Bob"是"Robert"的缩写，"Dick"是"Richard"的缩写.

您还可以考虑使用其他字符串相似性度量.例如，您可以指定Jaro-Winkler相似度(method = 'jw')和权重(p = 0.10).这将使start个名字的权重相同("Will"与"William")，从而导致更高的相似性分数和潜在的分离.