r - 通过R中的相似字符/字符串匹配两个向量

Question

我有两个向量，比如

v1<-c("yellow", "red", "orange", "blue", "green")
v2<-c("blues", "redx", "grean")

我想匹配它们，即“链接”每个元素v1与 上最相似的元素v2，这样结果是

> df
      v1    v2
1 yellow  <NA>
2    red  redx
3 orange  <NA>
4   blue blues
5  green grean

以下代码给出了预期的结果，但这只是因为它已经手动“格式化”了

df<-data.frame(v1,v2=rep(NA,5))

for (i in 1:nrow(df)) {
  
  ag<-agrep(df[i,1], v2, ignore.case = T, value = T)
  
  if (length(ag)==0) {df[i,2]<-NA}
  else if (length(ag)==1) {df[i,2]<-ag}
  else {df[i,2]<-ag[1]}
  
}

碰巧会agrep(df[2,1], v2, max.distance = 0.00001, ignore.case = T, value = T)导致"redx" "grean"，即使我设置了max.distance = 0.00001.

这就是为什么我有 if 条件，但它不能保证选择最相似的答案。

我该如何克服这个问题？

先感谢您

Answer 1

也许以下可以解决您的问题。它stringdistmatrix在 package中使用，如果向量和较大stringdist，这可能会成为内存问题。v1v2

d <- stringdist::stringdistmatrix(v1, v2, method = "osa")
i <- which(colSums(d == 1) > 0)
j <- which(rowSums(d == 1) > 0)
df$v2[j] <- v2[i]

df
#      v1    v2
#1 yellow  <NA>
#2    red blues
#3 orange  <NA>
#4   blue  redx
#5  green grean

Answer 2

你可以试试：

s <- which(adist(v1,v2) <= 1, TRUE) # 1 is the maximum allowed change
data.frame(v1, v2=replace(NA, s[,1], v2[s[,2]]))
      v1    v2
1 yellow  <NA>
2    red  redx
3 orange  <NA>
4   blue blues
5  green grean