不完美的字符串匹配

【问题标题】：Imperfect String Matching不完美的字符串匹配
【发布时间】：2012-02-08 15:39:16
【问题描述】：

假设我有两列名称。第一列中的所有名称都在第二列中，但顺序是随机的，其中一些不是完美匹配。所以也许在一列中有 John Smith 的名字，而在第二列中有 John_smith 或 JonSmith。是否有任何相当简单的 R 方式来执行“最佳匹配”？

【问题讨论】：

如果您有更多的列而不只是名字和姓氏（例如，您还有出生日期和地址等）并且想要查找可能匹配的行，请查看 @987654322 @ 包裹。 cran.r-project.org/web/packages/RecordLinkage/index.html

标签： r

【解决方案1】：

给定一些这样的数据：

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

通过几个gsubs 和tolower，你可以走得很远：

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))

那么agrep 就是你想要的：

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

对于更复杂的混淆字符串，请参阅this post from last week。

【讨论】：