Salut,
Je cherche de l'inspiration sur la façon d'aborder un ensemble de données. Je regarde les données démographiques d'un groupe de personnes où j'ai besoin d'identifier des personnes en double potentielles. Certaines parties des données sont exactes (date de naissance, sexe, pays) et d'autres non (taille, poids). Cela signifie que même si la taille et le poids ne sont pas identiques pour deux personnes, ils peuvent en fait être les mêmes.
Donc, dans chaque combinaison "date de naissance, sexe, pays", je dois vérifier si les différences de taille et de poids pour les différentes paires potentielles sont très éloignées ou non.
J'ai cherché des paires appariées, mais il serait alors limité à seulement des ensembles de deux qui peuvent être identiques et non par exemple des ensembles de 3 ou plus. J'ai également examiné le développement standard pour chaque combinaison «date de naissance, sexe, pays», mais cela examinerait l'ensemble de ce groupe et ne regrouperait pas ceux qui semblent être très proches au sein du groupe.
J'ai fait quelques visualisations qui me permettent de comprendre, mais avec de très grands ensembles de données à venir, je dois pouvoir zoomer sur les doublons les plus réalistes (par exemple, les différences de poids corporel à moins de 5 kg et la hauteur à moins de 2 cm).
Quelle serait une bonne approche ici?
Frère Julie
