Tu código tienen un problema, va a fallar si se encuentra más de una coincidencia. Supongamos un jugador como Roberto Carlos
, dónde en uno de los dataframe
lo tendrás como Carlos
, una cadena que sin duda va a coincidir con cualquier nombre Carlos
. Una mejora que se le puede hacer a tu código, es quedarnos con una sola de las coincidencias data$Nombre[ind[1]]
, por lo menos no fallará, pero de todas formas el resultado puede que no sea el esperado:
data <- data.frame(Nombre=c('Leonel Messi', 'Carlos Tevez', 'Roberto Carlos'), stringsAsFactors = FALSE)
data_j <- data.frame(Nombre=c('Tevez', 'Messi', 'Carlos'), Nuevo=NA, stringsAsFactors = FALSE)
for (i in 1:min(length(data$Nombre), length(data_j$Nombre))){
ind <- which(grepl(data_j$Nombre[i], data$Nombre))
if (length(ind) > 0){
data_j$Nuevo[i] = data$Nombre[ind[1]]
}
}
data_j
Nombre Nuevo
1 Tevez Carlos Tevez
2 Messi Leonel Messi
3 Carlos Carlos Tevez
Puedes ver que de acuerdo al orden, Carlos
termina coincidiendocon Carlos Tevez
, que no es lo que se esperaría.
Una solución más práctica es usar fuzzyjoin
para hacer un join
difuso entre los dos dataframes
, la ventaja de esto es que no pierdes coincidencias "ambiguas", y podrías en una segunda etapa, depurar visualmente y dejar solo las coincidencias indicadas.
library(tidyverse)
library(fuzzyjoin)
data %>%
regex_left_join(data_j, by = c(Nombre = "Nombre")) %>%
select(Nombre = Nombre.y, Nuevo = Nombre.x)
Nombre Nuevo
1 Messi Leonel Messi
2 Tevez Carlos Tevez
3 Carlos Carlos Tevez
4 Carlos Roberto Carlos