regex - 如何衡量字符串之间的相似度？

Question

我有一堆名字，我想获得唯一的名字。但是，由于拼写错误和数据不一致，名称可能会写错。如果其中两个是相似的，我正在寻找一种方法来检查字符串向量。

例如:

pres <- c(" Obama, B.","Bush, G.W.","Obama, B.H.","Clinton, W.J.")

我想找到 " Obama, B."和 "Obama, B.H."非常相似。有没有办法做到这一点？

Answer 1

这可以基于例如Levenshtein 距离来完成。在不同的包中有多种实现方式。在这些问题的答案中可以找到一些解决方案和包:

agrep: only return best match(es)

In R, how do I replace a string that contains a certain pattern with another string?

Fast Levenshtein distance in R?

但最常见的是 agrep会做你想做的:

> sapply(pres,agrep,pres)
$` Obama, B.`
[1] 1 3

$`Bush, G.W.`
[1] 2

$`Obama, B.H.`
[1] 1 3

$`Clinton, W.J.`
[1] 4