RecordLinkage - R 一个向量。不匹配自己

Question

如果我有一个名称向量，请说：

a = c("tom", "tommy", "alex", "tom", "alexis", "Alex", "jenny", "Al", "michell")

我想使用 levenshteinSim 或类似工具来获得此向量中的相似度分数。但是，我不希望它自我评分。例如，"tom" #1 对 "tom" #3 得分。而不是 return "tom" #1 对 "tom" #1 的得分，所以不要自我得分。

我之前用两个不同的向量 a 和 b 做过。但是，如果我将它用于相同的向量，那么 "tom" #1 将比 "tom" #1 得分，这是我想要避免的。

有办法吗？

Answer 1

您可以使用 combn 生成 a 的所有无序元素对：

a <- c("tom", "tommy", "alex", "tom", "alexis", "Alex", "jenny", "Al", "michell")

df <- data.frame(t(combn(a, 2)), stringsAsFactors = FALSE)
df$sim <- RecordLinkage::levenshteinSim(df$X1, df$X2)

head(df)
#    X1     X2 sim
# 1 tom  tommy 0.6
# 2 tom   alex 0.0
# 3 tom    tom 1.0
# 4 tom alexis 0.0
# 5 tom   Alex 0.0
# 6 tom  jenny 0.0

RecordLinkage - R 一个向量。不匹配自己

RecordLinkage - R one vector. Do not match to self

r

levenshtein-distance

fuzzy-logic

stringdist

record-linkage