通过部分匹配大于 n 个字符的单词的两列来子集行

Question

我愿意在 python pandas 中这样做，但在 R 中我有以下 df:

    result<-structure(list(traffic_Count_Street = c("San Angelo", "W Commerce St", 
"W Commerce St", "S Gevers St", "Austin Hwy", "W Evergreen St"
), unit_Street = c("San Pedro Ave", "W Commerce", "W Commerce", 
"S New Braunfels", "Austin Highway", "W Cypress")), .Names = c("traffic_Count_Street", 
"unit_Street"), row.names = c(1L, 17L, 18L, 34L, 260L, 273L), class = "data.frame")

1             San Angelo   San Pedro Ave
17         W Commerce St      W Commerce
18         W Commerce St      W Commerce
34           S Gevers St S New Braunfels
260           Austin Hwy  Austin Highway
273       W Evergreen St       W Cypress

对于每一行，如果其中一个大于 3 个字符的单词与另一个单词匹配，我想部分匹配第 1 列到第 2 列。

我会删除：

1             San Angelo   San Pedro Ave
34           S Gevers St   S New Braunfels
273       W Evergreen St   W Cypress

并保持：

17         W Commerce St      W Commerce
18         W Commerce St      W Commerce
260           Austin Hwy  Austin Highway

我尝试按以下方式使用 stringR，但没有成功：

result$unit_Street[str_detect(result$traffic_Count_Street, "\w{3}")]

Answer 1

创建一个具有阈值调整的距离过滤器。然后你可以调整，直到你得到你想要的结果。在这种情况下，Levenshtein 距离 5 效果很好：

distanceFilter <- function(df, thresh=5) {
  ind <- apply(df, 1, function(x) adist(x[1], x[2]) < thresh )
  df[ind,]
}

distanceFilter(result, 5)
#     traffic_Count_Street    unit_Street
# 17         W Commerce St     W Commerce
# 18         W Commerce St     W Commerce
# 260           Austin Hwy Austin Highway

要了解更多信息，请参阅 the wiki page and the R doc help page

通过部分匹配大于 n 个字符的单词的两列来子集行

Subset rows by partially matching two columns for words greater than n characters

python

regex

r

pandas

stringr