Niedoskonałe dopasowanie ciągów

Question

Powiedz, że mam dwie kolumny nazw. Wszystkie nazwy w pierwszej kolumnie znajdują się w drugiej kolumnie, ale w losowej kolejności, a niektóre z nich nie są idealnie dopasowane. Więc może w jednej kolumnie jest imię John Smith, a w drugim John_smith lub JonSmith. Czy istnieje dość prosty sposób na wykonanie "najlepszego meczu"?

Answer 1

Biorąc pod uwagę niektóre dane tak:

df<-data.frame(x=c('john doe','john smith','sally struthers'),y=c('John Smith','John_smith','JonSmith')) 

można uzyskać długą drogę z kilkoma gsub s oraz tolower:

df$y.fix <- gsub('[[:punct:]]', ' ', df$y) 
df$y.fix <- gsub(' ', '', df$y.fix) 
df$y.fix <- tolower(df$y.fix) 
df$x.fix <- tolower(gsub(' ', '', df$x)) 

Następnie agrep co zechcesz:

> agrep(df$x.fix[2], df$y.fix) 
[1] 1 2 3 

dla bardziej złożonych, mylących ciągów, zobacz this post from last week.