通过 R 中的相似字符/字符串匹配两个向量答案

【问题标题】：match two vectors by similar characters/strings in R通过 R 中的相似字符/字符串匹配两个向量
【发布时间】：2021-08-20 23:32:03
【问题描述】：

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，即将v1 的每个元素与v2 上最相似的元素“链接”，这样结果就是

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

下面的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]}
  
}

即使我设置了max.distance = 0.00001，agrep(df[2,1], v2, max.distance = 0.00001, ignore.case = T, value = T) 的结果也是 "redx" "grean"。

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。

我该如何解决这个问题？

提前谢谢你

【问题讨论】：

可能重复：stackoverflow.com/questions/26405895/…
另见?agrep帮助页面上的“注意”。该函数不会尝试匹配整个字符串。它尝试匹配子字符串。也许您正在寻找adist()。

标签： r string-matching agrep

【解决方案1】：

也许以下可以解决您的问题。它在包stringdist 中使用stringdistmatrix，如果向量v1 和v2 较大，这可能会成为内存问题。

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

【讨论】：

【解决方案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

【讨论】：