R中跨列的模糊匹配

Question

如何衡量名称在 r 中的相似程度？换句话说，可以进行模糊匹配的程度。

例如，我正在使用如下所示的数据框：

Name.1 <- c("gonzalez", "wassermanschultz", "athanasopoulos", "armato")
Name.2 <- c("gonzalezsoldevilla", "schultz", "anthanasopoulos", "strain")

df1 <- data.frame(Name.1, Name.2)

df1
            Name.1             Name.2
1         gonzalez gonzalezsoldevilla
2 wassermanschultz            schultz
3   athanasopoulos    anthanasopoulos
4           armato             strain

从数据中可以清楚地看出，第 1 行和第 2 行非常相似，足以确信名称相同。第 3 行名称相同，但拼写错误，而第 4 行则完全不同。

作为输出，我想创建第三列来描述名称之间的相似程度或返回某种布尔值以指示可以进行模糊匹配。

Answer 1

stringdist 包中有一个函数stingsim，它为您提供了一个介于 0 和 1 之间的数字，用于表示字符串之间的相似性。

Name.1 <- c("gonzalez", "wassermanschultz", "athanasopoulos", "armato")
Name.2 <- c("gonzalezsoldevilla", "schultz", "anthanasopoulos", "strain")
library(stringdist)

df1 <- data.frame(Name.1, Name.2)
df1$similar <- stringsim(Name.1, Name.2)
df1
#>             Name.1             Name.2   similar
#> 1         gonzalez gonzalezsoldevilla 0.4444444
#> 2 wassermanschultz            schultz 0.4375000
#> 3   athanasopoulos    anthanasopoulos 0.9333333
#> 4           armato             strain 0.1666667