匹配姓名相似的人：R

这是使用字符串相似性的一种可能性。它在您的示例中效果很好，因为您的数据完全分离。但是，超过 500K 行时您可能会遇到一些问题，但它可以帮助您入门：

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

group_first <- function(dat, cutoff = 0.5) {
  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))

输出

     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

怎么运行的

1. 获取每个姓氏和出生日期组并计算二元字符余弦相似度得分。如果此相似度得分高于 0.5（默认情况下），则名字将被分组在一起。
2. 一个名字可能属于多个名字分组，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。
3. 在步骤#2 中进行审查后（这将是您需要使用更精细的算法或手动执行的操作），然后重新计算 ID，以便它们是不同的。

正如评论中提到的，对于具有相似二元组但不相同的名称来说，这可能会很棘手。这些情况将很难区分。此外，这只是一个词汇比较，这对于缩写名称也不太可能有效。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)。这将对开头相同的名字进行加权（“will”与“william”），从而导致更高的相似度分数和潜在的分离。