通过最佳字符串匹配对数据框中的字符串变量进行分组以生成子集

Question

我有一个数据框，其中有一列包含国家名称。即使是同一个国家，这些名字的写法也不同，例如，大小写不同，有些字母缺失，有些字母多余等等。

所以我需要将它们分组到相似的模式中。例如，我有两个属于同一类别的观察结果：("Brasil","brazil")，我需要将它们放在一起。我无法手动执行此操作，因为整个数据框由约 10 000 个观察值组成。

在一个类别中做出相似的观察后，我需要从这个类别中做出一些子集。

是否有一种可能的解决方案，可以将这些相似的名称分组到一个类别中，然后使用该类别与数据框中的其他列创建子集？

我尝试使用 agrep 函数但没有成功。

number <- c(1:6)
country <- c("Brasil","brazil","Costa Rica","costarrica","suiza","Holanda")
example <- data.frame(number,country)

agrupamiento <- for (i in 1:nrow(example)){
  agrep(example$country[i], example$country, 
    max.distance = 0.1,ignore.case = TRUE)
}

Answer 1

使用 stringdist::phonetic

为您处理示例数据集

library(stringdist)
example$ph=phonetic(example$country)
example
  number    country   ph
1      1     Brasil B624
2      2     brazil B624
3      3 Costa Rica C236
4      4 costarrica C236
5      5      suiza S200
6      6    Holanda H453

然后，我们拆分它

out <- split(example,f = example$ph )
out
$B624
  number country   ph
1      1  Brasil B624
2      2  brazil B624

$C236
  number    country   ph
3      3 Costa Rica C236
4      4 costarrica C236

$H453
  number country   ph
6      6 Holanda H453

$S200
  number country   ph
5      5   suiza S200

通过最佳字符串匹配对数据框中的字符串变量进行分组以生成子集

Grouping string variables from a dataframe by best string match to make subsets

string

r

agrep