R:生成具有stringdist和stringdistmatrix的近匹配项列表

Question

我发现了出色的“stringdist”包，现在想用它来计算字符串距离。特别是我有一组单词，我想打印出近场比赛，其中“近场比赛”是通过诸如Levenshtein距离之类的算法进行的。

我在Shell脚本中有非常慢的工作代码，并且能够加载stringdist并生成带有度量的矩阵。现在我想将该矩阵归结为一个较小的矩阵，该矩阵仅具有近似匹配项，例如指标非零但小于某个阈值。

kp <-  c('leaflet','leafletr','lego','levenshtein-distance','logo')
kpm <- stringdistmatrix(kp,useNames="strings",method="lv")
> kpm
                     leaflet leafletr lego levenshtein-distance
leafletr                   1                                   
lego                       5        6                          
levenshtein-distance      16       16   18                     
logo                       6        7    1                   19
m = as.matrix(kpm)
close = apply(m, 1, function(x) x>0 & x<5)
>  close
                     leaflet leafletr  lego levenshtein-distance  logo
 leaflet                FALSE     TRUE FALSE                FALSE FALSE
 leafletr                TRUE    FALSE FALSE                FALSE FALSE
 lego                   FALSE    FALSE FALSE                FALSE  TRUE
 levenshtein-distance   FALSE    FALSE FALSE                FALSE FALSE
 logo                   FALSE    FALSE  TRUE                FALSE FALSE

好的，现在我有一个(大)dist，如何将其缩小到一个列表，其中输出将类似于

leafletr,leaflet,1
logo,lego,1

仅适用于度量非零且小于n = 5的情况？我找到了“apply()”，它可以让我进行测试，现在我需要理清如何使用它。

这个问题不是特定于stringdist和stringdistmatrix的，它是非常基本的R，但是我仍然遇到了麻烦。我怀疑答案涉及subset()，但是我不知道如何将“dist”转换成其他东西。

Answer 1

你可以这样做:

library(reshape2)
d <- unique(melt(m))
out <- subset(d, value > 0 & value < 5)

在这里， melt将 m转换为长格式(2列带有字符串名称，1列带有值)。但是，由于我们已经融化了对称矩阵，因此我们使用 unique进行重复数据删除。

另一种方法是使用 dplyr(因为所有酷 child 现在都在管道中使用 dplyr):

library(dlpyr)
library(reshape2)
library(magrittr)

out <- melt(m) %>% distinct() %>% filter(value > 0 & value < 5)

第二种选择可能更快，但我还没有真正计时。