从字符向量中获取近似唯一的值

Getting approximately unique values from character vector

当数据表现良好时,识别 unique 值很简单。在这里,我正在寻找一种方法来从字符向量中获取 近似唯一 值的列表。

x 为实体名称略有不同的向量,例如Kentucky loader 可能显示为 Kentucky loadKentucky loader (additional info) 或有点类似。

x <- c("Kentucky load" ,                                                                                                            
       "Kentucky loader (additional info)",                                                                                     
       "CarPark Gifhorn (EAP)",
       "Car Park  Gifhorn (EAP) new 1.5.2012",
       "Center Kassel (neu 01.01.2014)",
       "HLLS Bremen (EAP)",
       "HLLS Bremen (EAP) new 06.2013",
       "Hamburg total sum (abc + TBL)",
       "Hamburg total (abc + TBL) new 2012")

我要输出的是这样的:

c("Kentucky loader" ,                                                                                                            
  "Car Park Gifhorn (EAP)",
  "Center Kassel (neu 01.01.2014)",
  "HLLS Bremen (EAP)",
  "Hamburg total (abc + TBL)")

想法

  1. 计算所有字符串之间的一些相似性度量(例如 Levenshtein distance)
  2. 使用longest common subset method
  3. 不知何故 :( 根据此信息决定哪些字符串属于一起。

但我想这将是一项标准任务(对于那些定期使用 "dirty" 数据的 R 用户),所以我假设会有一组标准方法来处理它。

是否有人有提示或是否有执行此操作的软件包?

正如@Jaap 所说,尝试使用 OpenRefine。 data carpentry course还不错

如果您确实想留在 R 中,这里有一个针对您的示例的解决方案,使用 agrepl:

z <- sapply(x, function(z) agrepl(z, x, max.distance = 0.2))
apply(z, 1, function(myz) x[myz][which.min(nchar(x[myz]))])

它给出了为 x 的每个成员找到的最小字符匹配:

[1] "Kentucky load"                  "Kentucky load"                  "CarPark Gifhorn (EAP)"         
[4] "CarPark Gifhorn (EAP)"          "Center Kassel (neu 01.01.2014)" "HLLS Bremen (EAP)"             
[7] "HLLS Bremen (EAP)"              "Hamburg total sum (abc + TBL)"  "Hamburg total sum (abc + TBL)" 

如果您想保持向量的顺序以匹配其他向量(或在数据帧的列上使用),这很好。

您可以在此输出上调用 unique 以获得所需的输出。