【发布时间】：2018-01-03 23:00:41
【问题描述】：
我有一个很大的管理数据文件，大约有 100 万条记录。在这个数据集中，个人可以多次表示。大约一半的记录具有将记录映射到个人的识别代码；对于没有的那一半，我需要模糊匹配名称以标记可能属于同一个人的记录。
通过查看带有识别码的记录，我创建了一个在记录同一个人姓名时出现的差异的列表：
- 包含中间名，例如琼恩·雪诺 vs 琼恩·坦格利安·斯诺
- 包含第二个姓氏，例如乔恩·雪诺 vs 乔恩·坦格利安-斯诺
- 昵称/名字的缩写，例如乔纳森·斯诺 vs 乔恩·斯诺
- 名称颠倒，例如琼恩雪诺 vs 雪琼恩
- 拼写错误/错别字/变体：例如Samual/Samuel、莫妮卡/莫妮卡、拉斐尔/拉斐尔
鉴于我所追求的匹配类型，有没有比使用 agrep()/levenshtein 的距离更好的方法，在 R 中很容易实现？
编辑：R 中的 agrep() 不能很好地解决这个问题 - 因为我需要允许大量的插入和替换来解释名称的不同记录方式，很多错误匹配被抛出。
【问题讨论】：
-
@ImranAli 这个问题是关于效率的，鉴于我的数据集中记录名称的方式存在特殊差异，我问的是解决问题的最佳方法。
标签： r string-matching agrep