使用 R 匹配字符串答案

【问题标题】：Matching strings using R使用 R 匹配字符串
【发布时间】：2018-08-27 10:35:25
【问题描述】：

我有一个一般性问题。我尝试在 R 中的数据帧之间进行字符串匹配。我的字符串格式如下：

"COOL FOODS LTD 222 HIGH ST LONDON ABC123"

我想迭代其他数据帧，并希望我的代码在上面的字符串和下面的字符串之间找到匹配项：

"222 HIGH ST LONDON ABC123 COOL FOODS LTD " 
"HIGH LTD ST 222 LONDON COOL ABC123 FOODS "
"COOL FOODS LTD 222 HIGH ST LONDON UNITED KINGDOM ABC123"

我尝试了adist，但是当字符串的某些部分重新排列或插入的部分很长（根据示例）时，我使用该方法获得的相似度分数不是很好。

我想过用空格分割我的字符串，但我不确定如何与许多数据帧有效地进行匹配和比较。

如果有任何建议，我将不胜感激！

干杯！

【问题讨论】：

你可以试试stringdist包。也许函数amatch 包含一个合适的方法。如果你想用空格分割你的字符串，你可以使用类似mean(wordsOfString1 %in% wordsOfString2)
This 问题可能对您有所帮助。

标签： r string matching string-matching

【解决方案1】：

使用包stringdist，您可以编写一个辅助函数，将字符串与向量中的每个目标字符串进行比较。
下面的函数首先是strplit 和sort 的所有字符串。然后调用stringsim 计算相似度分数。

funSimilarity <- function(x, y, method = "osa"){
    x <- strsplit(x, " ")[[1]]
    x <- paste(sort(x), collapse = " ")
    y_list <- strsplit(y, " ")
    y_list <- lapply(y_list, function(.y) paste(sort(.y), collapse = " "))
    stringsim(x, unlist(y_list), method = method)
}

funSimilarity(x, y)
#[1] 1.0000000 1.0000000 0.7272727

met <- c("osa", "lv", "dl", "hamming", "lcs", "qgram",
  "cosine", "jaccard", "jw", "soundex")

sapply(met, function(m) funSimilarity(x, y, method = m))
#           osa        lv        dl hamming       lcs     qgram    cosine
#[1,] 1.0000000 1.0000000 1.0000000       1 1.0000000 1.0000000 1.0000000
#[2,] 1.0000000 1.0000000 1.0000000       1 1.0000000 1.0000000 1.0000000
#[3,] 0.7272727 0.7272727 0.7272727       0 0.8421053 0.8421053 0.9689541
#       jaccard        jw soundex
#[1,] 1.0000000 1.0000000       1
#[2,] 1.0000000 1.0000000       1
#[3,] 0.8095238 0.8632576       1

【讨论】：