[R-br] Trabalhar com pares do RecordLinkage

[Fátima Lima Paula]

Prezados, preciso trabalhar com os pares resultantes do RecordLinkage e não
sei como fazer. Enviei email para o autor do pacote, mas ele disse que
terei que programar, pois não existe uma maneira automática de fazer isso.
Bem, aí vai, meu desafio:
Tenho dois bancos ( um retirado do outro) e vou fazer o linkage para obter
as readmissões. No resultado sempre haverá um par de cada um, com mesma
data de internação, já que o banco menor é retirado do maior (o menor é de
internados por fratura de fêmur e o maior é de internados por todas as
causas). Aí vai um exemplo criado para você verem como é a saída dos pares:

nome=c("Ricardo","Maria","Tereza","Pedro","José", "Germano")
sobrenome=c("Cunha","Andrade","Silva","Soares","Silva","Lima")
idade=c(67,89,78,65,68,67)
ano=c(1945,1923,1934,1947,1944,1945)
dataint=c(20120907,20120703,20120301,20120805,20121004,20121209)
banco1=cbind(nome,sobrenome,idade,ano,dataint)
banco1=data.frame(banco1)
banco1
nome=c("Maria","Lúcia","Paulo","Marcos", "Ricardo", "Germanio")
sobrenome=c("Andrade","Silva","Soares","Pereira","Cunha","Lima")
idade=c(67,88,78,60,68,80)
ano=c(1945,1924,1934,1952,1944,1932)
dataint=c(20121208,20121103,20120302,20120105,20121004,20121209)
banco2=cbind(nome,sobrenome,idade,ano,dataint)
banco2=data.frame(banco2)
banco2
str(banco1)
banco1$nome=as.character(banco1$nome)
banco1$sobrenome=as.character(banco1$sobrenome)
banco1$idade=as.character(banco1$idade)
banco1$ano=as.character(banco1$ano)
banco1$dataint=as.character(banco1$dataint)
banco2$nome=as.character(banco2$nome)
banco2$sobrenome=as.character(banco2$sobrenome)
banco2$idade=as.character(banco2$idade)
banco2$ano=as.character(banco2$ano)
banco2$dataint=as.character(banco2$dataint)
library(RecordLinkage)
soundexBR<-function(termo){
termo<-toupper(termo)
# 1. Retire toda pontuação da palavra;
termo<-gsub("[ÃÁÀÂÄ]","A",termo)
termo<-gsub("[ÉÈÊ?Ë]","E",termo)
termo<-gsub("[ÍÌÏÎI]","I",termo)
termo<-gsub("[ÓÕÒÔÖ]","O",termo)
termo<-gsub("[ÚÙÛÜU]","U",termo)
termo<-gsub("Ç","C",termo)
#1.a Substituir todas as letras duplas por uma única letra
#http://www.archives.gov/genealogy/census/soundex.html
termo<-gsub("([A-Z])\\1", "\\1", termo)
# 2. Fique com a primeira letra;
 N<-nchar(termo)
# Modificação PT-BR (Coeli e Camargo)
 termo<-ifelse(substr(termo,1,2)=="WA",sub("W","V",termo),termo)
 termo<-ifelse(substr(termo,1,1)=="H",substr(termo,2,N),termo)
termo<-ifelse(substr(termo,1,2)=="KA"|substr(termo,1,2)=="KO"|substr(termo,1,2)=="KU",sub("K","C",termo),termo)
 termo<-ifelse(substr(termo,1,1)=="Y",sub("Y","I",termo),termo)
termo<-ifelse(substr(termo,1,2)=="CE"|substr(termo,1,2)=="CI",sub("C","S",termo),termo)
termo<-ifelse(substr(termo,1,2)=="GE"|substr(termo,1,2)=="GI",sub("G","J",termo),termo)

############## Segunda Parte #######################
 termo.1<-substr(termo,1,1)
 termo<-substr(termo,2,N)
# 3. Mude todas as ocorrências das letras a seguir por '0' (zero):
'A','E','I','O','U','H','W','Y';
 termo<-gsub("[A,E,I,O,U,H,W,Y]",0,termo)
# 4. Mude as letras restantes de acordo com a tabela abaixo:
# Número Letra
# 1 'B','F','P','V'
 termo<-gsub("[B,F,P,V]",1,termo)
# 2 'C','G','J','K', 'Q','S','X','Z'
 termo<-gsub("[C,G,J,K,Q,S,X,Z]",2,termo)
# 3 'D','T'
 termo<-gsub("[D,T]",3,termo)
# 4 'L'
 termo<-gsub("L",4,termo)
# 5 'M','N'
 termo<-gsub("[M,N]",5,termo)
# 6 'R'
 termo<-gsub("R",6,termo)
# 5. Remova todos os zeros da string resultante;
 termo<-gsub(0,"",termo)
# Eliminar dois numeros iguais consecutivos por um único numero
#http://www.archives.gov/genealogy/census/soundex.html
 termo<-gsub("([0-9])\\1", "\\1", termo)
# Remontar
 termo<-paste(termo.1,termo,sep="")

# 6. Preencha a string resultante com zeros à direita e retorne desta
forma:
#<letra maiuscula><digito><digito><digito>
 termo<-paste(termo,"0000",sep="")
 termo<-substr(termo,1,4)
 return(termo)
}

soundexBR("termo")
soundexBR("terno")

pares=compare.linkage(banco1,banco2,blockfld=list(c(1,2,4),c(1,2)),
                      phonetic=c(1,2),phonfun=soundexBR,strcmp=FALSE,
                      strcmpfun=jarowinkler,
exclude=FALSE,identity1=NA,identity2=NA,
                      n_match=NA, n_non_match=NA)
editMatch(pares)
pares
pesos=epiWeights(pares, e=0.01,f=pares$frequencies)
hist(pesos$Wdata,plot=F)
getPairs(pesos,max.weight=Inf, min.weight=-Inf)

Agora, como tenho as datas da internação de todos, preciso verificar, par a
par, quem tem data de internação diferente. Estes serão as readmissões.
Existe uma forma de eu criar uma coluna para identificar os pares? E
depois, testar se as datas de internação são diferentes?
Obrigada
Fátima
-------------- Próxima Parte ----------
Um anexo em HTML foi limpo...
URL: <http://listas.inf.ufpr.br/pipermail/r-br/attachments/20121217/d8e41cc0/attachment.html>