R：使用 jarowinkler 的字符串模糊匹配

Question

我在 R 中有两个字符类型的向量。

我希望能够使用 jarowinkler 将参考列表与原始字符列表进行比较，并指定相似度百分比。因此，例如，如果我有 10 个参考项和 20 个原始数据项，我希望能够获得比较的最佳分数以及算法将其匹配到什么（因此 2 个向量为 10）。如果我有大小为 8 的原始数据和 10 个参考项目，我应该只得到 8 个项目的 2 个矢量结果，每个项目具有最佳匹配和得分

item, match, matched_to 冰，78，冰淇淋

下面是我的代码，没什么可看的。

NumItems.Raw = length(words)
NumItems.Ref = length(Ref.Desc)

for (item in words) 
{
  for (refitem in Ref.Desc)
  {
    jarowinkler(refitem,item)

    # Find Best match Score
    # Find Best Item in reference table
    # Add both items to vectors
    # decrement NumItems.Raw
    # Loop
  }
}

Answer 1

有一个包已经实现了 Jaro-Winkler 距离。

> install.packages("stringdist")
> library(stringdist)
> 1-stringdist('ice','ice-cream',method='jw')
[1] 0.7777778

Answer 2

使用玩具示例：

library(RecordLinkage)
library(dplyr)

ref <- c('cat', 'dog', 'turtle', 'cow', 'horse', 'pig', 'sheep', 'koala','bear','fish')
words <- c('dog', 'kiwi', 'emu', 'pig', 'sheep', 'cow','cat','horse')

wordlist <- expand.grid(words = words, ref = ref, stringsAsFactors = FALSE)
wordlist %>% group_by(words) %>% mutate(match_score = jarowinkler(words, ref)) %>%
summarise(match = match_score[which.max(match_score)], matched_to = ref[which.max(match_score)])

给予

 words     match matched_to
1   cat 1.0000000        cat
2   cow 1.0000000        cow
3   dog 1.0000000        dog
4   emu 0.5277778       bear
5 horse 1.0000000      horse
6  kiwi 0.5350000      koala
7   pig 1.0000000        pig
8 sheep 1.0000000      sheep

编辑： 作为对 OP 评论的回应，最后一个命令使用来自 dplyr 的管道方法，并将原始单词和引用的每个组合分组原始单词，添加一个包含 jarowinkler 分数的列 match_score，并且 returns 只是最高匹配分数的摘要（由 which.max(match_score) 索引），以及作为参考，它也由最大值 match_score.

索引

R：使用 jarowinkler 的字符串模糊匹配

R: String Fuzzy Matching using jarowinkler

string

r

levenshtein-distance