在 R 中合并数据表因子水平答案

【问题标题】：Consolidate data table factor levels in R在 R 中合并数据表因子水平
【发布时间】：2015-10-06 17:21:43
【问题描述】：

假设我有一个非常大的数据表，其中一列是“制造商名称”。数据没有统一输入，所以很乱。例如，可能有如下观察：

ABC Inc
ABC, Inc
ABC Incorporated
A.B.C.
...
Joe Shmos Plumbing
Joe Shmo Plumbing
...

我正在寻找一种在 R 中的自动化方式来尝试将相似的名称视为一个因素级别。我已经学会了手动执行此操作的语法，例如：

levels(df$ManufacturerName) <- list(ABC=c("ABC", "A.B.C", ....), JoeShmoPlumbing=c(...))

但我正在尝试想一个自动化的解决方案。显然它不会是完美的，因为我无法预测数据表中的每种排列类型。但也许可以搜索因子级别，去除标点符号/特殊字符，并根据常见的第一个单词创建级别。或任何其他想法。谢谢！

【问题讨论】：

data.table 指的是使用 data.table 包的特定 R 类。据我所知，您的问题与它无关（在这种情况下，它应该从帖子的标签中删除）。
我在问如何对数据表做某事，这与数据表有什么关系？我不知道包裹是否有任何与我的问题相关的内容。我想如果不是，我们可以将其视为一个数据框。
好的。没有可重复的例子很难说。

标签： r dataframe

【解决方案1】：

查看stringdist 包。对于初学者，您可以执行以下操作：

library(stringdist)

x <- c("ABC Inc", "ABC, Inc", "ABC Incorporated", "A.B.C.", "Joe Shmos Plumbing", "Joe Shmo Plumbing")
d <- stringdistmatrix(x)
#    1  2  3  4  5
# 2  1            
# 3  9 10         
# 4  6  7 15      
# 5 16 16 16 18   
# 6 15 15 15 17  1

如需更多帮助，请参阅 ?stringdistmatrix 或在 StackOverflow 上搜索模糊匹配、近似字符串匹配、字符串距离函数和 agrep。

【讨论】：