[R-es] Optimización identificación de casos similares

Jesús Para Fernández j@p@r@@|ern@ndez @end|ng |rom hotm@||@com
Jue Feb 7 17:31:08 CET 2019


Pues a mi se me ocurre algo chapuceril psp que puede funcionar.

Separas cada dni ponkendo cada n�mero en una columna.

A continuaci�n calculas las distancias y te quedas con aquellos cuya distancia sea menor o igual a nueve.

Tendras mucho falso positivo, eso si, pero se podria afinar mas....

Obtener Outlook para Android<https://aka.ms/ghei36>

________________________________
From: R-help-es <r-help-es-bounces using r-project.org> on behalf of David Contreras <davidcontreras00 using gmail.com>
Sent: Thursday, February 7, 2019 5:23:45 PM
To: r-help-es
Subject: [R-es] Optimizaci�n identificaci�n de casos similares

Buen d�a a todos,

Agradezco su ayuda con lo siguiente:

Tengo 100.000 registros con nombres de personas con su respectivo n�mero de
documento, quiero identificar casos que tengan un porcentaje de igualdad
alto, no del 100% porque ya esos los tengo identificados, sino casos como
por ejemplo:

Nombre: Juan P�rez  Documento: 123456789
Nombre: Juan P�rez  Documento: 1234056789

Este caso ser�a una alerta de posible duplicado y tendr�a que revisarse
porque posiblemente en uno de los dos casos se ingreso errado el n�mero de
documento.

Para calcular esta diferencia uso la funci�n adist del paquete (utils), el
problema es que la forma en que tengo el c�digo para revisar los 100.000
casos, la m�quina no lo soporta por los recorridos que se hacen:

*El dataframe se llama Citacion.*

*Citacion[,"NombreDoc"]<- paste0(Citacion[,"NOMBRE"]," ",
Citacion[,"DOCUMENTO"]) # Concatena Nombre y documento*

*Citacion[,"RNomDoc1"]<-0*
*Citacion[,"RNomDoc2"]<-0*

*ii<-1*
*for(ii in 1:(nrow(Citacion)-1)){*
*  jj<-ii+1*
*  while(jj<=nrow(Citacion)){*

*    if (adist(Citacion[ii,"NombreDoc"],
Citacion[jj,"NombreDoc"])/nchar(Citacion[ii,"NombreDoc"])<0.15){  #
Criterio para marcar los posibles casos duplicados*
*      Citacion[ii,"RNomDoc1"]<-1*
*      Citacion[jj,"RNomDoc2"]<-1*
*      jj<-jj+1*
*      } else {*
*        Citacion[jj,"RNomDoc2"]<-0*
*        jj<-jj+1*
*        } *
*  } *

*}  *

La idea es optimizar el c�digo de alguna forma para agilizar el proceso y
lograr que se identifiquen los casos a revisar.

Mil gracias de nuevo.

        [[alternative HTML version deleted]]

_______________________________________________
R-help-es mailing list
R-help-es using r-project.org
https://stat.ethz.ch/mailman/listinfo/r-help-es

	[[alternative HTML version deleted]]



Más información sobre la lista de distribución R-help-es