模糊匹配我只用这一招！

爬虫俱乐部云端课程

可以看到，名为file1和file2的两个dta文件均包含2个变量和5个观测对象。id1和id2是分别用于追踪firm1和firm2观测对象的唯一标识变量，可以直接使用gen id1 = _n来生成。仔细观察firm1和firm2，发现其代表了相同的5家公司。比如firm1中第5个观测对象“武汉字符串数据科技有限公司”就是firm2中的第1个公司“字符串科技”。如此一来，各种精确匹配merge命令，frlink命令等都用不了了~~~
      既然如此，我只好请出模糊匹配的大佬——matchit。今天我们不直接讲干巴巴的语法，直接“上菜”，理解了这个小案例再去help matchit包你事半功倍！第二行主代码中，id1，firm1为master的唯一标识var和待模糊匹配的公司名称；id2，firm2为using file(file2)中的唯一标识var以及与firm1不完全一致的公司名称。

运行结果如下图所示：

      我们对新生成的“桥梁”数据集进一步保留与每个firm1匹配相似度（similscore）最高的firm2。

显然，最基本的matchit命令的准确率令人不太满意。幸运的是，该命令允许我们通过更改options选项提高匹配准确率。首先，matchit的similmethod选项允许我们选择适合样本数据的匹配模式，多达十余种，经过测试，本文认为默认的“bigram”模式最适合中文字符匹配。
      其次，weights选项有simple，log，root三种模式，不设置该选项即默认每个字为同样的权重，设置该项则对出现频率更低的字、词赋予更大的权重。比如将firm1中“北京天眼查科技有限公司”匹配为“北京金堤科技有限公司”的原因就是在两者中均出现的“北京”和“科技有限公司”与“天眼查”这种特别的字号具有相同的权重。经过测试，log模式更适合前述匹配情形。
      最后，我们还可以设置score选项更改相似度计算方式来提高准确率。该选项有三种模式，分别是默认的jaccard，simple和minsimple，经过测试，minsimple是前述情形最适合的模式，意在为匹配上的字符赋予更大的权重，而simple则刚好相反。
      综合上述分析，我们写出以下程序：

运行结果如下图所示：

       简直完美~~(^▽^)~~
      此外，其实reclink，strgroup等也能够实现模糊匹配，但与matchit的应用情形有所不同；nearmrg，rangejoin等命令还能够实现时间、日期的“模糊匹配”。
       最后，如此实用的命令安装也十分简单，双手奉上安装命令：