regex - 如果原始列表不匹配，如何知道列表中字符串的变体(例如缩写)是否与另一个列表匹配？

Question

我目前在 R 中寻找一种方法，让我匹配/合并两个数据帧。 Helas 这两个数据帧都包含非最优数据。他们甚至可以有一些拼写错误的缩写。因此，我想为每个缩写定义一个列表，以及一个字符串是否包含这些元素之一。如果原始条目不匹配，R 应该检查缩写的任何其他选项是否匹配。举例说明:公司名称可以以“Limited”结尾，也可以以“Ltd”结尾。 “有限公司”等

例子

数据

原始“地址”文件包含:

Company name         Address 
Deloitte Ltd.        New York
Coca-Cola            New York
Tesla ltd            California
Microsoft Limited    Washington

必须与“EnterpriseNrList”合并

Company name         EnterpriseNumber
Deloitte Ltd.        221
Coca-Cola            334
Tesla ltd            725
Microsoft Limited    127

所以缩写应该在“两个方向”上起作用。这就是为什么我说，如果 R 识别任何缩写，R 应该尝试匹配所有缩写。
所有比赛都应作为返回报告。

因此，我会为每个可能的缩写创建一个“缩写”列表

Limited.
limited 
Ltd.
ltd. 
Ltd
ltd

问题

1)这是一个好方法，还是有更有效的方法？

2)如何根据可能的缩写列表(步骤 1，见下文)检查列表，类似于 excel 中的 containsx？

3) 我怎样才能组成一个列表，用所有其他缩写词替换与缩写不匹配的条目(步骤 2，见下文)？

解决方案的想法

第1步

由于我对这种工作还很陌生，所以我在想以下几点:使用正则表达式来过滤字符串是否包含任何缩写选项，并创建一个列表，如果没有匹配项，则该列表将包含 -1找到，如果找到匹配则 >0。没有模式匹配已经可以与“地址”列表匹配。对于其他条目，我继续执行第 2 步。

在这一步中，我真的不知道如何检查选项列表(“缩写”列表)。

第2步

接下来，我将使用步骤 1 中的匹配项创建一个列表，并将所有选项 rbind 一起。在这一步中，我真的不知道我可以创建一个结合 f.e. 的列表。可口可乐及其所有可能的缩写。

Coca-Cola Limited
Coca-Cola Ltd. 
Coca-Cola Ltd
etc.

第 3 步

最后，我将再次将这个更完整的公司列表与原始“数据”列表进行匹配/合并。随着第 2 步的引入，我认为所需的计算能力可能会更容易一些，因为原始列表大约有 8000 行。

Answer 1

我会采用不同的方法，在合并之前先修复表格。

要修复缩写，我会使用正则表达式，不区分大小写，最后一个点是可选的，我从“普通单词”列表开始 = 缩写向量。

abbrevs <- list('Limited'=c('Limited','Ltd'),'Incorporated'=c('Incorporated','Inc'))

我构建了相应的正则表达式(末尾带有可选点的交替，该大小写将被 gsub 和 agrep 中的参数忽略):

regexes <- lapply(abbrevs,function(x) { paste0("(",paste0(x,collapse='|'),")[.]?") })

这使:

$Limited
[1] "(Limited|Ltd)[.]?"

$Incorporated
[1] "(Incorporated|Inc)[.]?"

现在我们必须将每个正则表达式应用于每个 df 的 company.name 列:

for (i in seq_along(regexes)) { 
  Address$Company.name <- gsub(regexes[[i]], names(regexes[i]), Address$Company.name, ignore.case=TRUE)
  Enterprise$Company.name <- gsub(regexes[[i]], names(regexes[i]), Enterprise$Company.name, ignore.case=TRUE)
} 

这没有考虑错别字。在这里你需要使用 agrep或 adist来管理它。

地址示例数据集的结果:

> Address
       Company.name    Address
1  Deloitte Limited   New York
2         Coca-Cola   New York
3     Tesla Limited California
4 Microsoft Limited Washington

使用的输入数据:

Address <- structure(list(Company.name = c("Deloitte Ltd.", "Coca-Cola", 
"Tesla ltd", "Microsoft Limited"), Address = c("New York", "New York", 
"California", "Washington")), .Names = c("Company.name", "Address"
), class = "data.frame", row.names = c(NA, -4L))

Enterprise <- structure(list(Company.name = c("Deloitte Ltd.", "Coca-Cola", 
"Tesla ltd", "Microsoft Limited"), EnterpriseNumber = c(221L, 
334L, 725L, 127L)), .Names = c("Company.name", "EnterpriseNumber"
), class = "data.frame", row.names = c(NA, -4L))