8

我想使用MetaPhone、Double Metaphone、Caverphone、 MetaPhone3 、 SoundEx ，如果有人在“R”中使用过NameX函数，我可以对类似的值进行分类和总结，以在分析之前最大限度地减少数据清理操作。

我完全意识到每种算法都有自己的长处和短处，并且非常希望不使用 SoundEx，但如果我找不到替代方案，它仍然可以工作；正如这篇文章中提到的那样， Harper将与 SoundEx 下的任何不相关名称列表匹配，但不应在 Metaphone 中匹配以获得更好的结果匹配。

虽然我不确定哪个最能满足我的目的，同时仍然保留一些灵活性，所以这就是我想对其中几个进行尝试的原因，并且在查看值之前生成如下表。

在此处输入图像描述

表源链接

姓氏不是我最初分析的主题，但认为这是一个很好的例子，因为我想有效地考虑所有像“听起来”的词被视为相同的值，这实际上是我想要做的，在评估值时简单地调用某事.

我已经看过一些东西：

  • 我知道可以使用RCpp编写和调用 C 包，甚至在 SE 上也有 SoundEx 的 C 解决方案，但我之前没有编写过 R 包，如果有更简单的方法可以避免重新发明轮子直接在 R 中执行还是存在具有该功能的包？
  • 我知道RecordLinkage和现在的stringdist包有一个 SoundEx 函数，但没有任何形式的 MetaPhone 函数。

所以我特别寻找答案是如何在 R 中使用 MetaPhone / Caverphone 并知道“值”，以便我可以按它们对数据值进行分组？

额外的警告是我仍然认为我对 R 很陌生，因为我不是它的日常用户。

4

4 回答 4

9

该算法非常简单，但我也找不到现有的 R 包。如果你真的需要在 R 中完成这项工作，一个短期的选择是安装 python 模块metaphone（pip install metaphone），然后使用rPython桥在 R 中使用它：

library(rPython)

python.exec("from metaphone import doublemetaphone")
python.call("doublemetaphone", "architect")
[1] "ARKTKT" ""

这不是最优雅的解决方案，但它可以让你在 R 中进行变音操作。

Apache Commons 有一个编解码器库，它也实现了变音位算法：

library(rJava)

.jinit() # need to have commons-codec-1.10.jar in your CLASSPATH

mp <- .jnew("org.apache.commons.codec.language.Metaphone")
.jcall(mp,"S","metaphone", "architect")
[1] "ARXT"

您可以将上述.jcall内容设为 R 函数，并像使用任何其他 R 函数一样使用它：

metaphone <- function(x) {
  .jcall(mp,"S","metaphone", x)  
}

sapply(c("abridgement", "stupendous"), metaphone)

## abridgement  stupendous 
##      "ABRJ"      "STPN"

java 接口也可能跨平台更兼容。

下面是使用 java 接口的更完整的视图：

library(rJava)

.jinit()

mp <- .jnew("org.apache.commons.codec.language.Metaphone")
dmp <- .jnew("org.apache.commons.codec.language.DoubleMetaphone")

metaphone <- function(x) {
  .jcall(mp,"S","metaphone", x)  
}

double_metaphone <- function(x) {
  .jcall(dmp,"S","doubleMetaphone", x)  
}

words <- c('Catherine', 'Katherine', 'Katarina', 'Johnathan', 
           'Jonathan', 'John', 'Teresa', 'Theresa', 'Smith', 
           'Smyth', 'Jessica', 'Joshua')

data.frame(metaphone=sapply(words, metaphone),
           double=sapply(words, double_metaphone))

##           metaphone double
## Catherine      K0RN   K0RN
## Katherine      K0RN   K0RN
## Katarina       KTRN   KTRN
## Johnathan      JN0N   JN0N
## Jonathan       JN0N   JN0N
## John             JN     JN
## Teresa          TRS    TRS
## Theresa         0RS    0RS
## Smith           SM0    SM0
## Smyth           SM0    SM0
## Jessica         JSK    JSK
## Joshua           JX     JX
于 2015-01-11T13:37:56.077 回答
8

现在R在包中有一个 Double Metaphone 的实现PGRdup。

install.packages(PGRdup)
library(PGRdup)
words <- c('Catherine', 'Katherine', 'Katarina', 'Johnathan', 
           'Jonathan', 'John', 'Teresa', 'Theresa', 'Smith', 
           'Smyth', 'Jessica', 'Joshua')
DoubleMetaphone(words)

$primary
 [1] "K0RN" "K0RN" "KTRN" "JN0N" "JN0N" "JN"   "TRS"  "0RS"  "SM0"  "SM0"  "JSK"  "JX"  

$alternate
 [1] "KTRN" "KTRN" "KTRN" "ANTN" "ANTN" "AN"   "TRS"  "TRS"  "XMT"  "XMT"  "ASK"  "AX"
于 2015-04-17T05:02:36.930 回答
1

几个月来，我一直在为此开发一个名为phonics的软件包。我已经实现了几个常见的和不太常见的，包括 Caverphone、Caverphone2、Metaphone 和 soundex。其他一些已实施。在将其称为 1.0 之前，我还有一些计划要实施，但我刚刚向 CRAN 提交了该软件包的发布。

于 2015-12-26T15:29:24.293 回答
0

这是一个 caverphone 解释，虽然它捕获了级联规则方法，但请记住，caverphone 始终旨在作为自定义区域重音上下文的示例（尽管人们确实以通用方式使用它，因为它会产生不同的根据他们自己的区域对大多数其他人进行权衡），所以我建议a）获取数据源中的唯一字符以确保您正在处理它们，b）考虑更改与您正在使用的名称，并且 c) 考虑对区域口音组合进行建模 - 这是为了对 1800 年代后期/1900 年代初期新西兰的各种口音群体进行建模，以及他们可能错误转录彼此所说的话的方式.

caverphonise <- function(x) {
# Convert to lowercase
x <- tolower(x)

# Remove anything not A-Z
x <- gsub("[^a-z]", "", x)

# If the name starts with
## cough make it cou2f
x <- gsub("^cough", "cou2f", x)
## rough make it rou2f
x <- gsub("^rough", "rou2f", x)
## tough make it tou2f
x <- gsub("^tough", "tou2f", x)
## enough make it enou2f
x <- gsub("^enough", "enou2f", x)
## gn make it 2n
x <- gsub("^gn", "2n", x)

# If the name ends with
## mb make it m2
x <- gsub("mb$", "m2", x)

# Replace
## cq with 2q
x <- gsub("cq", "2q", x)
## ci with si
x <- gsub("ci", "si", x)
## ce with se
x <- gsub("ce", "se", x)
## cy with sy
x <- gsub("cy", "sy", x)
## tch with 2ch
x <- gsub("tch", "2ch", x)
## c with k
x <- gsub("c", "k", x)
## q with k
x <- gsub("q", "k", x)
## x with k
x <- gsub("x", "k", x)
## v with f
x <- gsub("v", "f", x)
## dg with 2g
x <- gsub("dg", "2g", x)
## tio with sio
x <- gsub("tio", "sio", x)
## tia with sia
x <- gsub("tia", "sia", x)
## d with t
x <- gsub("d", "t", x)
## ph with fh
x <- gsub("ph", "fh", x)
## b with p
x <- gsub("b", "p", x)
## sh with s2
x <- gsub("sh", "s2", x)
## z with s
x <- gsub("z", "s", x)
## any initial vowel with an A
x <- gsub("^[aeiou]", "A", x)
## all other vowels with a 3
x <- gsub("[aeiou]", "3", x)
## 3gh3 with 3kh3
x <- gsub("3gh3", "3kh3", x)
## gh with 22
x <- gsub("gh", "22", x)
## g with k
x <- gsub("g", "k", x)
## groups of the letter s with a S
x <- gsub("s+", "S", x)
## groups of the letter t with a T
x <- gsub("t+", "T", x)
## groups of the letter p with a P
x <- gsub("p+", "P", x)
## groups of the letter k with a K
x <- gsub("k+", "K", x)
## groups of the letter f with a F
x <- gsub("f+", "F", x)
## groups of the letter m with a M
x <- gsub("m+", "M", x)
## groups of the letter n with a N
x <- gsub("n+", "N", x)
## w3 with W3
x <- gsub("w3", "W3", x)
## wy with Wy
x <- gsub("wy", "Wy", x)
## wh3 with Wh3
x <- gsub("wh3", "Wh3", x)
## why with Why
x <- gsub("why", "Why", x)
## w with 2
x <- gsub("w", "2", x)
## any initial h with an A
x <- gsub("^h", "A", x)
## all other occurrences of h with a 2
x <- gsub("h", "2", x)
## r3 with R3
x <- gsub("r3", "R3", x)
## ry with Ry
x <- gsub("ry", "Ry", x)
## r with 2
x <- gsub("r", "2", x)
## l3 with L3
x <- gsub("l3", "L3", x)
## ly with Ly
x <- gsub("ly", "Ly", x)
## l with 2
x <- gsub("l", "2", x)
## j with y
x <- gsub("j", "y", x)
## y3 with Y3
x <- gsub("y3", "Y3", x)
## y with 2
x <- gsub("y", "2", x)

# remove all
## 2s
x <- gsub("2", "", x)
## 3s
x <- gsub("3", "", x)
# put six 1s on the end
x <- paste(x,"111111", sep="")
# take the first six characters as the code
unlist(lapply(x, FUN= function(x){paste((strsplit(x, "")[[1]])[1:6], collapse="")}))
}
于 2015-07-05T22:34:05.917 回答