2

我将公司名称列表与 R 和 agrep() 进行匹配，因为数据在遗留系统中存储错误 - 没有第 4 范式，公司记录在与客户相同的级别，这意味着新的公司条目每一位新客户，都会为一家公司带来很多不同的公司名称——这在很多情况下都很好用。

有时，特别是对于短字符串，我得到 - 至少对我来说 - 奇怪的匹配，例如（ABC 是第一个公司名称）：

ABC ABAXIS Europe GmbH

ABC ABB Europe

ABC ABB Group

ABC ABB Stotz Kontakt GmbH

ABC ABM Financial News

ABC ABN AMRO Bank NV

ABC AC Klöser GmbH

ABC ACCBank

ABC ACEA S.p.A.

我正在使用agrep()以下参数：

agrep(vector1, vector2, value = TRUE, ignore.case = FALSE, max.distance = 0.01)

除了调整最大距离或更好的方法之外，还有其他方法agrep()吗？

提前致谢

4

1 回答 1

0

对于类似的问题，我使用了本文中描述的第二种方法：http: //bigdata-doctor.com/fuzzy-string-matching-survival-skill-tackle-unstructured-information-r/#comment-942

它将每个寄存器与最相似的寄存器匹配，如果有一些误报对您来说是个问题，这当然不是最佳选择。

此外，您可能会发现此功能对删除名称前后的空格很有用：

  trim <- function (x) gsub("^\\s+|\\s+$", "", x) #Defining function that returns string w/o leading or trailing whitespace

我还使用了“tm”包中的 removewords() 函数。在您的情况下，删除 ABC " 可能很有用。

于 2017-12-18T11:01:07.547 回答