1

可能重复:
R:如何测量字符串之间的相似性?

我一直在研究一个大型数据集。我需要找到潜在的重复 - 类似的名称,例如:

NewYork, new york, New York, Naw York, Niy Work 

因此,我认为以下规则可以帮助捕捉这种潜在的重复:

如果任何三个连续字符匹配: 问题:然后它将检测以下作为潜在的重复,实际上它们不是。命运迟到率 如果变得更保守,我可能需要 4 个连续的字符,那么我可能会遇到短词的问题。

有没有什么聪明的方法可以找到重复的错字类型?

考虑以下小例子:

myfruits <- c("Apple", "Apricot", "Avocado", "Banana", "Bilberry", 
"Blackberry", "Blackcurrant",    "Blueberry", "Currant", 
"Cherry", "Cherimoya", "Clementine", "Aple", "Binana", "BlaCkbarry",
"pricot")

拼写错误,但实际上是上述列表中的重复项:

 "Apple" & "Aple",
"Banana" &  "Binana", 
"Blackberry" & "BlaCkbarry", 
"Apricot" &  "pricot"
4

0 回答 0