28

我有一堆名字，我想获得唯一的名字。但是，由于数据中的拼写错误和不一致，名称可能会写错。如果其中两个相似，我正在寻找一种方法来检查字符串向量。

例如：

pres <- c(" Obama, B.","Bush, G.W.","Obama, B.H.","Clinton, W.J.")

我想找到它" Obama, B."并且"Obama, B.H."非常相似。有没有办法做到这一点？

4

3 回答 3

32

这可以基于例如 Levenshtein 距离来完成。在不同的包中有多种实现。在这些问题的答案中可以找到一些解决方案和软件包：

但大多数情况下agrep会做你想做的事：

> sapply(pres,agrep,pres)
$` Obama, B.`
[1] 1 3

$`Bush, G.W.`
[1] 2

$`Obama, B.H.`
[1] 1 3

$`Clinton, W.J.`
[1] 4
于 2011-05-18T12:11:15.140 回答
18

也许agrep是你想要的？它使用 Levenshtein 编辑距离搜索近似匹配。

lapply(pres, agrep, pres, value = TRUE)

[[1]]
[1] " Obama, B."  "Obama, B.H."

[[2]]
[1] "Bush, G.W."

[[3]]
[1] " Obama, B."  "Obama, B.H."

[[4]]
[1] "Clinton, W.J."
于 2011-05-18T12:15:56.353 回答
0

添加另一个副本以显示它适用于多个副本。

pres <- c(" Obama, B.","Bush, G.W.","Obama, B.H.","Clinton, W.J.", "Bush, G.")

adist显示 2 个字符向量之间的字符串距离

adist(" Obama, B.", pres)
#      [,1] [,2] [,3] [,4] [,5]
# [1,]    0    9    3   10    7

例如，要选择离您最近的字符串，" Obama, B."可以选择距离最小的字符串。为了避免相同的字符串，我只取了大于零的距离：

d <- adist(" Obama, B.", pres)
pres[min(d[d>0])]
# [1] "Obama, B.H."

为了获得唯一的名称，考虑到拼写错误和不一致，您可以将每个字符串与所有以前的字符串进行比较。然后如果有类似的，删除它。我创建了一个keepunique()执行此操作的函数。keepunique()然后用 连续应用于向量的所有元素Reduce()。

keepunique <-  function(previousones, x){
    if(any(adist(x, previousones)<5)){
        x <- NULL
    }
    return(c(previousones, x))
}
Reduce(keepunique, pres)
# [1] " Obama, B."    "Bush, G.W."    "Clinton, W.J."
于 2018-12-05T09:35:58.017 回答