一组数据中的不匹配问题 如何根据已有数据进行修改？

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

下面是一组家庭的例子。hhid08与hhid06分别是08年和06年调查的家庭id。hhid08的家庭成员有各自的ivid08,name08(越南文),gender08,yob08,mob08,relation08。hhid06亦然。
这一组中的问题是原始数据中ivid06的信息不能和同一行的ivid08匹配，可以观察到同一个household的数据有颠倒的现象。现在想以ivid08为基准进行调整。以第一行为例，ivid06与ivid08并非同一个人，但可以观察到ivid06==60519130240803的信息应该与第四行ivid08==605191302400804匹配，故将第四行的ivid06_revised赋值为60519130240803 (见蓝色高亮)。下表中的ivid06_revised即目测检查后的修改结果。
由于数据量非常大因此visual inspection非常耗时，同时原始普查数据存在个别错误，即使能做出判断也存在一些错误，如name的拼写(见黄色高亮)，出生年月的误差，relation的变化（如06年的child在08年可能是head），请问有没有一种算法可以提供精度较高的匹配？本人第一次提问，如有疏忽请予以指出，谢谢。

hhid08	hhid06	ivid08	ivid06	ivid06_revised	name08	name06
6051913024008	605191302408	605191302400801	60519130240803	60519130240801	h nghüa by¨	BY¡ Y §¸P
6051913024008	605191302408	605191302400802	60519130240801	60519130240807	y mYp nia	BY¡ H NGHüA
6051913024008	605191302408	605191302400803	60519130240802	60519130240808	h hi¨n by¨	BY¡ Y S|￥NG
6051913024008	605191302408	605191302400804	60519130240805	60519130240803	BY¡ Y §¸P	NI￡ Y DA N¤
6051913024008	605191302408	605191302400805	60519130240806	60519130240804	y min by¨.	BY¡ H KYNH
6051913024008	605191302408	605191302400806	60519130240807	60519130240805	NI￡ Y DA N¤	NI￡ Y MIP
6051913024008	605191302408	605191302400807	60519130240808	60519130240806	BY¡ H KYNH	BY¡ HIAN
6051913024008	605191302408	605191302400808			BY¡ H trim
6051913024008	605191302408		60519130240804			BY¡ Y MIN

gender08	gender06	yob08	yob06	mob08	mob06	relation08	relation06
Female	Male	1985	1989	10	7	Head	Other
Male	Female	1935	1985	6	10	Parent	Head
Female	Male	1949	1987	7	8	Parent	Other
Male	Male	1989	1980	7	8	Other	Spouse
Male	Female	1991	2004	5	11	Other	Child
Male	Male	1980	1935	8	6	Other	Parent
Female	Female	2004	1949	11	7	Child	Parent
Female		2006		4		Child
	Male		1991		5		Other

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：不匹配 INSPECTION household relation revised household relation visual 越南 如何

问题不是很清楚，
一、家庭与个人代码分别在08与06年不相同，从你给的数据可看出的差别是08年比06年分别相关一个字符0
如ivid06为60519130240803,ivid08为605191302400804，家庭代码类似，但实际肯定并非如此！
二、此类一般是整理为面板数据，而你好像并不是，所以当数据变量很多时处理有较大不同，不知……