thr3ads.net - R help es - [R-es] Optimización identificación de casos similares [Feb 2019]

If this information is useful, please help other people find it:
Share via:

David Contreras

2019-Feb-07 16:23 UTC

[R-es] Optimización identificación de casos similares

Buen día a todos,

Agradezco su ayuda con lo siguiente:

Tengo 100.000 registros con nombres de personas con su respectivo número 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 Pérez  Documento: 123456789
Nombre: Juan Pérez  Documento: 1234056789

Este caso sería una alerta de posible duplicado y tendría que revisarse
porque posiblemente en uno de los dos casos se ingreso errado el número de
documento.

Para calcular esta diferencia uso la función adist del paquete (utils), el
problema es que la forma en que tengo el código para revisar los 100.000
casos, la máquina 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 código de alguna forma para agilizar el proceso y
lograr que se identifiquen los casos a revisar.

Mil gracias de nuevo.

	[[alternative HTML version deleted]]

Jesús Para Fernández

2019-Feb-07 16:31 UTC

head link

[R-es] Optimización identificación de casos similares

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 en r-project.org> on behalf of David
Contreras <davidcontreras00 en 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 en r-project.org
https://stat.ethz.ch/mailman/listinfo/r-help-es

	[[alternative HTML version deleted]]

David Contreras

2019-Feb-07 16:40 UTC

head link

[R-es] Optimización identificación de casos similares

Gracias Jesús por tu ayuda.
El tema es que como está el código si se identifican, pero el problema es
que tiene que validar cada caso con los otros 99.999 casos y ahí la máquina
no soporta el proceso.









*David Contreras*

Estadístico

Móvil 3124345188.  <%2B57%20%281%29%204841410%20Ext.%20257>
davidcontreras00 en gmail.com <cparra en contratista.icfes.gov.co>


El jue., 7 feb. 2019 a las 11:31, Jesús Para Fernández (<
j.para.fernandez en hotmail.com>) escribió:
> Pues a mi se me ocurre algo chapuceril psp que puede funcionar.
>
> Separas cada dni ponkendo cada número en una columna.
>
> A continuación 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 en r-project.org> on behalf of
David
> Contreras <davidcontreras00 en gmail.com>
> *Sent:* Thursday, February 7, 2019 5:23:45 PM
> *To:* r-help-es
> *Subject:* [R-es] Optimización identificación de casos similares
>
> Buen día a todos,
>
> Agradezco su ayuda con lo siguiente:
>
> Tengo 100.000 registros con nombres de personas con su respectivo número 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 Pérez  Documento: 123456789
> Nombre: Juan Pérez  Documento: 1234056789
>
> Este caso sería una alerta de posible duplicado y tendría que revisarse
> porque posiblemente en uno de los dos casos se ingreso errado el número de
> documento.
>
> Para calcular esta diferencia uso la función adist del paquete (utils), el
> problema es que la forma en que tengo el código para revisar los 100.000
> casos, la máquina 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 código 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 en r-project.org
> https://stat.ethz.ch/mailman/listinfo/r-help-es
>
	[[alternative HTML version deleted]]

Javier Marcuzzi

2019-Feb-07 18:09 UTC

head link

[R-es] Optimización identificación de casos similares

Estimado David Contreras

Puedes compilar el código, mire lo siguiente
http://homepage.divms.uiowa.edu/~luke/R/compiler/compiler.pdf

Javier Ruben Marcuzzi

El jue., 7 feb. 2019 a las 13:24, David Contreras (<
davidcontreras00 en gmail.com>) escribió:
> Buen día a todos,
>
> Agradezco su ayuda con lo siguiente:
>
> Tengo 100.000 registros con nombres de personas con su respectivo número 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 Pérez  Documento: 123456789
> Nombre: Juan Pérez  Documento: 1234056789
>
> Este caso sería una alerta de posible duplicado y tendría que revisarse
> porque posiblemente en uno de los dos casos se ingreso errado el número de
> documento.
>
> Para calcular esta diferencia uso la función adist del paquete (utils), el
> problema es que la forma en que tengo el código para revisar los 100.000
> casos, la máquina 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 código 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 en r-project.org
> https://stat.ethz.ch/mailman/listinfo/r-help-es
>
	[[alternative HTML version deleted]]

Carlos Ortega

2019-Feb-07 23:48 UTC

head link

[R-es] Optimización identificación de casos similares

Hola,

Puedes hacerlo de otras formas sin que tengas que calcular una matriz de
distancias.

Calcular la matriz de distancias de todos con todos, te lleva a tener una
matriz de 1e5 x 1e5 de enteros (en el mejor de los casos) y esos son ya
varias decenas de gigas.
Una alternativa es esta:

   - Calcular la distancia de Levenstein entre un DNI y la lista de DNIs.
   - Del resultado ver si hay alguna distancia de "1" ó de
"2"  que
   indicaría un error a la hora de introducir el valor. Si aparece lo guardas.
   - Y repetir este cálculo con otro DNI y así sucesivamente.
   - En este escenario, solo haces una comparación en cada ciclo, no
   consumes RAM. Solo consumes la RAM con los DNIs que vas guardando.
   - Aquí, lo que ocurre es que el proceso es lento en ejecución.
      - He probado comparando siempre el mismo DNI con una lista (siempre
      la misma lista), que ordeno de forma aleatoria en cada ciclo.
      - Y en mi máquina tarda 20min en hacer 25000 comparaciones.
      - Y no he parelizado el bucle. Este problema es totalmente
      paralelizable...

Este es el código que he usado para hacer este ejemplo (sin paralelizar):

#-------------
library(stringdist)

a <- "123456789"
b <- "1234056789"
c <- as.character(sample(1:1e5, 1e5, replace = FALSE))

a <- Sys.time()
for( i in 1:1000) {

   to_compare <- sample(c(b,c), 1e5+1, replace = FALSE)
   res_compa <- stringdist(a, to_compare, method="dl")
   to_compare[ res_compa < 2]

}
b <- Sys.time() ; b -
#-------------

Saludos,
Carlos Ortega
www.qualityexcellence.es


El jue., 7 feb. 2019 a las 17:24, David Contreras (<
davidcontreras00 en gmail.com>) escribió:
> Buen día a todos,
>
> Agradezco su ayuda con lo siguiente:
>
> Tengo 100.000 registros con nombres de personas con su respectivo número 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 Pérez  Documento: 123456789
> Nombre: Juan Pérez  Documento: 1234056789
>
> Este caso sería una alerta de posible duplicado y tendría que revisarse
> porque posiblemente en uno de los dos casos se ingreso errado el número de
> documento.
>
> Para calcular esta diferencia uso la función adist del paquete (utils), el
> problema es que la forma en que tengo el código para revisar los 100.000
> casos, la máquina 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 código 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 en r-project.org
> https://stat.ethz.ch/mailman/listinfo/r-help-es
>

-- 
Saludos,
Carlos Ortega
www.qualityexcellence.es

	[[alternative HTML version deleted]]

Eric

2019-Feb-08 00:10 UTC

head link

[R-es] Optimización identificación de casos similares

No he mirado el codigo ni los datos, pero en estos asuntos de 
comparación la teoría dice que se ahorra tiempo si antes de comparar 
ordenas la columna de mayor a menor por ejemplo .... en ese caso, más 
allá de cierta distancia no vale la pena seguir comparando porque los 
números ya serán todos diferentes al que tomaste para comparar ... ahí 
te ahorras comparaciones ... y te puedes ahorrar algunas más ya que el 
número que tomas para comparar con los demás ya sabes si es igual o no a 
los anteriores que ya comparaste con él, de modo que no tienes que 
volver a compararlo ... me explico ?

Creo que esas dos ideas reducirán mucho la cantidad de comparaciones que 
debes hacer ... si alcanzo mañana podría probar algo y comentarte.

Suerte !!!!

Eric.



On 07/02/2019 20:48, Carlos Ortega wrote:> Hola,
>
> Puedes hacerlo de otras formas sin que tengas que calcular una matriz de
> distancias.
>
> Calcular la matriz de distancias de todos con todos, te lleva a tener una
> matriz de 1e5 x 1e5 de enteros (en el mejor de los casos) y esos son ya
> varias decenas de gigas.
> Una alternativa es esta:
>
>     - Calcular la distancia de Levenstein entre un DNI y la lista de DNIs.
>     - Del resultado ver si hay alguna distancia de "1" ó de
"2"  que
>     indicaría un error a la hora de introducir el valor. Si aparece lo
guardas.
>     - Y repetir este cálculo con otro DNI y así sucesivamente.
>     - En este escenario, solo haces una comparación en cada ciclo, no
>     consumes RAM. Solo consumes la RAM con los DNIs que vas guardando.
>     - Aquí, lo que ocurre es que el proceso es lento en ejecución.
>        - He probado comparando siempre el mismo DNI con una lista (siempre
>        la misma lista), que ordeno de forma aleatoria en cada ciclo.
>        - Y en mi máquina tarda 20min en hacer 25000 comparaciones.
>        - Y no he parelizado el bucle. Este problema es totalmente
>        paralelizable...
>
> Este es el código que he usado para hacer este ejemplo (sin paralelizar):
>
> #-------------
> library(stringdist)
>
> a <- "123456789"
> b <- "1234056789"
> c <- as.character(sample(1:1e5, 1e5, replace = FALSE))
>
> a <- Sys.time()
> for( i in 1:1000) {
>
>     to_compare <- sample(c(b,c), 1e5+1, replace = FALSE)
>     res_compa <- stringdist(a, to_compare, method="dl")
>     to_compare[ res_compa < 2]
>
> }
> b <- Sys.time() ; b -
> #-------------
>
> Saludos,
> Carlos Ortega
> www.qualityexcellence.es
>
>
> El jue., 7 feb. 2019 a las 17:24, David Contreras (<
> davidcontreras00 en gmail.com>) escribió:
>
>> Buen día a todos,
>>
>> Agradezco su ayuda con lo siguiente:
>>
>> Tengo 100.000 registros con nombres de personas con su respectivo
número 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 Pérez  Documento: 123456789
>> Nombre: Juan Pérez  Documento: 1234056789
>>
>> Este caso sería una alerta de posible duplicado y tendría que revisarse
>> porque posiblemente en uno de los dos casos se ingreso errado el número
de
>> documento.
>>
>> Para calcular esta diferencia uso la función adist del paquete (utils),
el
>> problema es que la forma en que tengo el código para revisar los
100.000
>> casos, la máquina 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 código 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 en r-project.org
>> https://stat.ethz.ch/mailman/listinfo/r-help-es
>>
>

Javier Marcuzzi

2019-Feb-08 02:32 UTC

head link

[R-es] Optimización identificación de casos similares

Estimados

Si es por la cantidad de memoria, tal como indica Carlos Ortega, yo no
tengo experiencia ni conocimientos para el área referida en el hilo del
correo, pero sí me tocó tener que trabajar tratando de reducir la cantidad
de memoria al utilizar matrices, copio y pego un ejemplo por si es de
utilidad sobre sparse matrix en R, aunque debería leer si es aplicable para
el caso en concreto.

library('Matrix')

m1 <- matrix(0, nrow = 1000, ncol = 1000)
m2 <- Matrix(0, nrow = 1000, ncol = 1000, sparse = TRUE)

object.size(m1)
# 8000200 bytes
object.size(m2)
# 5632 bytes
Javier Rubén Marcuzzi

El jue., 7 feb. 2019 a las 20:49, Carlos Ortega (<cof en
qualityexcellence.es>)
escribió:
> Hola,
>
> Puedes hacerlo de otras formas sin que tengas que calcular una matriz de
> distancias.
>
> Calcular la matriz de distancias de todos con todos, te lleva a tener una
> matriz de 1e5 x 1e5 de enteros (en el mejor de los casos) y esos son ya
> varias decenas de gigas.
> Una alternativa es esta:
>
>    - Calcular la distancia de Levenstein entre un DNI y la lista de DNIs.
>    - Del resultado ver si hay alguna distancia de "1" ó de
"2"  que
>    indicaría un error a la hora de introducir el valor. Si aparece lo
> guardas.
>    - Y repetir este cálculo con otro DNI y así sucesivamente.
>    - En este escenario, solo haces una comparación en cada ciclo, no
>    consumes RAM. Solo consumes la RAM con los DNIs que vas guardando.
>    - Aquí, lo que ocurre es que el proceso es lento en ejecución.
>       - He probado comparando siempre el mismo DNI con una lista (siempre
>       la misma lista), que ordeno de forma aleatoria en cada ciclo.
>       - Y en mi máquina tarda 20min en hacer 25000 comparaciones.
>       - Y no he parelizado el bucle. Este problema es totalmente
>       paralelizable...
>
> Este es el código que he usado para hacer este ejemplo (sin paralelizar):
>
> #-------------
> library(stringdist)
>
> a <- "123456789"
> b <- "1234056789"
> c <- as.character(sample(1:1e5, 1e5, replace = FALSE))
>
> a <- Sys.time()
> for( i in 1:1000) {
>
>    to_compare <- sample(c(b,c), 1e5+1, replace = FALSE)
>    res_compa <- stringdist(a, to_compare, method="dl")
>    to_compare[ res_compa < 2]
>
> }
> b <- Sys.time() ; b -
> #-------------
>
> Saludos,
> Carlos Ortega
> www.qualityexcellence.es
>
>
> El jue., 7 feb. 2019 a las 17:24, David Contreras (<
> davidcontreras00 en gmail.com>) escribió:
>
> > Buen día a todos,
> >
> > Agradezco su ayuda con lo siguiente:
> >
> > Tengo 100.000 registros con nombres de personas con su respectivo
número
> 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 Pérez  Documento: 123456789
> > Nombre: Juan Pérez  Documento: 1234056789
> >
> > Este caso sería una alerta de posible duplicado y tendría que
revisarse
> > porque posiblemente en uno de los dos casos se ingreso errado el
número
> de
> > documento.
> >
> > Para calcular esta diferencia uso la función adist del paquete
(utils),
> el
> > problema es que la forma en que tengo el código para revisar los
100.000
> > casos, la máquina 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 código 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 en r-project.org
> > https://stat.ethz.ch/mailman/listinfo/r-help-es
> >
>
>
> --
> Saludos,
> Carlos Ortega
> www.qualityexcellence.es
>
>         [[alternative HTML version deleted]]
>
> _______________________________________________
> R-help-es mailing list
> R-help-es en r-project.org
> https://stat.ethz.ch/mailman/listinfo/r-help-es
>
	[[alternative HTML version deleted]]

Reasonably Related Threads

Search for more seemingly similar threads

R help es - Feb 2019 - Optimización identificación de casos similares

[R-es] Optimización identificación de casos similares

[R-es] Optimización identificación de casos similares

[R-es] Optimización identificación de casos similares

[R-es] Optimización identificación de casos similares

[R-es] Optimización identificación de casos similares

[R-es] Optimización identificación de casos similares

[R-es] Optimización identificación de casos similares

Reasonably Related Threads