在 R 中查找两个向量之间的部分匹配字符串

Question

我正在使用 R 中的两个字符串向量。

第一个，owner，包含大约 100,000 个元素，看起来像：

> proprietor
 [1] "GERALD RICA LIMITED"                                             
 [2] "EUROMASTER STUDIO SRL"                                           
 [3] "CENTRE D'ECHANGES INTERNATIONAUX (CEI)"                          
 [4] "RONTEC SERVICE STATION 1A LIMITED"                               
 [5] "MOORGARTH PROPERTIES (LUXEMBOURG) S.A.R.L"                       
 [6] "BEAVRON INVESTMENTS LIMITED"                                     
 [7] "MITRALI LIMITED" 

另一个，name，包含大约 700,000 个相似元素：

> name 
 [1] "MULTIPOINT HOLDINGS LIMITED"                                     
 [2] "NYASA PROPERTY LIMITED"                                          
 [3] "WHITE LODGE HOLDINGS LIMITED"                                    
 [4] "MULTIPOINT HOLDINGS LIMITED"                                     
 [5] "MULTIPOINT HOLDINGS LIMITED"                                     
 [6] "JBL INVESTMENT LIMITED"                                          
 [7] "DIMBLEBY LIMITED"                                                
 [8] "LIDL U.K. GMBH"     

我想知道 proprietor 的哪些元素也在 name 中，考虑到可能有一些拼写错误或者像“LIMITED”这样的词也可以例如写成“LTD”。

我已经尝试过的：

• proprietor %in% name 返回一个空元素，我知道不是这样的

• intersect(proprietor, name) 不起作用，因为我的向量中有重复项

• 主要是，我尝试使用agrep() 进行循环以允许部分匹配：

    for (i in 1:97034) {
      if (is.null(agrep(proprietor[i], name, max.distance=0.1, value=TRUE, useBytes=TRUE, costs=NULL, ignore.case=TRUE))=="TRUE") {
        test[i] <- 1
      } else {
        test[i] <- agrep(proprietor[i], name, max.distance=0.1, value=TRUE, useBytes=TRUE, costs=NULL, ignore.case=TRUE)
      }
    }

它返回错误“regcomp 错误：'Out of memory'”。我从 R 开始，所以 1）我可以看到这个循环不是最简单的方法 2）我不知道如何纠正这个内存不足错误。

• 我也尝试了这篇文章中给出的解决方案：Find matching strings between two vectors in R，但我无法实现它（错误消息：错误：断言 'tree->num_tags == num_tags' failed in execution regexp: file 'tre-compile. c'，第 634 行。我找不到它的来源。）

任何有关如何解决此问题的建议将不胜感激！

Answer 1

我会使用 stringdist 包中的函数 adist。

最小的工作示例：

创建一个无义词向量并调用向量a：

a <- c("gkhk", "ololsol", "tyuil", "tyuio", "etytyuli")

修改一些词（或多或少的修改）并将那个向量称为b：

b <- c("gwrwkhk", "olseotyuioplsol", "thsyuil", "tasyuio", "etytyuli")

然后计算元素之间的距离

yourdistance <- adist(x = a, y = b, ignore.case = TRUE)

yourdistance 将是一个计算元素之间距离的矩阵。

     [,1] [,2] [,3] [,4] [,5]
[1,]    3   15    7    7    8
[2,]    7    8    6    7    7
[3,]    7   10    2    3    5
[4,]    7   10    3    2    5
[5,]    8   11    5    5    0

例如，a [5,] 中的 "etytyuli" 和 b [,5] 中的 "etytyuli" 之间的距离将为 0，因为我没有将该字符串从 a 修改为 b。

一旦你有了这个矩阵，你就可以决定什么对你来说“足够接近”并只选择那些元素。您还可以使用参数 cost 来为插入、删除或替换赋予不同的成本。

您可能想在以下网址了解更多信息：

https://www.r-bloggers.com/fuzzy-string-matching-a-survival-skill-to-tackle-unstructured-information/

希望对你有帮助。