Ciao,
Sto cercando ispirazione per l'approccio a un set di dati. Sto esaminando i dati demografici per un gruppo di persone in cui ho bisogno di identificare potenziali persone duplicate. Alcune parti dei dati sono accurate (data di nascita, sesso, paese) e altre parti (altezza, peso). Ciò significa che anche se altezza e peso non sono identici per due persone, possono effettivamente essere uguali.
Quindi, in ogni combinazione di "data di nascita, sesso, nazione", devo verificare se le differenze di altezza e peso per le diverse coppie potenziali sono molto distanti o meno.
Ho esaminato le coppie abbinate ma poi si limiterebbe a soli set di due che possono essere identici e non ad esempio set di 3 o più. Ho anche esaminato lo sviluppo standard per ogni combinazione di "data di nascita, sesso, nazione", ma ciò guarderebbe l'intero gruppo e non raggrupperebbe quelli che sembrano essere molto vicini all'interno del gruppo.
Ho fatto alcune visualizzazioni che mi hanno aiutato a fare qualcosa, ma con l'insorgere di set di dati molto grandi devo essere in grado di ingrandire i duplicati più realistici (ad esempio differenze di peso corporeo entro 5 kg e altezza entro 2 cm).
Quale sarebbe un buon approccio qui?
Fr. Julie
