文本R中的近似匹配和替换
Approximate Matching and Replacement in Text R
我有一句话只想用数字替换字符串的一部分。如果我们有一个完全匹配的 gsub 函数就可以完美地工作。
gsub('great thing', 5555 ,c('hey this is a great thing'))
gsub('good rabbit', 5555 ,c('hey this is a good rabbit in the field'))
但是现在我遇到了以下问题。如果字符串的一部分有错误,如何将模糊匹配函数应用于字符串?
gsub('great thing', 5555 ,c('hey this is a graet thing'))
gsub('good rabbit', 5555 ,c('hey this is a goood rabit in the field'))
算法应该计算出 "great thing" 和 "graet thing" 或 "good rabbit" 和 "goood rabit" 非常相似,应该用数字 5555 代替。如果我们能做到最好使用 Jaro Winkler 距离在字符串中找到近似匹配,然后替换近似子字符串。我需要一个非常抽象的算法来做到这一点。
有什么想法吗?
一些agrep
例子:
agrep("lasy", "1 lazy 2")
agrep("lasy", "1 lazy 2", max = list(sub = 0))
agrep("laysy", c("1 lazy", "1", "1 LAZY"), max = 2)
agrep("laysy", c("1 lazy", "1", "1 LAZY"), max = 2, value = TRUE)
agrep("laysy", c("1 lazy", "1", "1 LAZY"), max = 2, ignore.case = TRUE)
agrep
在基地。如果你加载 stringdist
,你可以使用 Jarro-Winkler 和(你猜对了)stringdist
来计算字符串距离,或者如果你很懒,你可以只使用 ain
或 amatch
。出于我的目的,我倾向于更多地使用 Damerau–Levenshtein (method="dl"
),但您的情况可能会有所不同。
请务必在使用算法之前仔细阅读算法参数的确切工作原理(即将 p、q 和 maxDist 值设置为对您正在做的事情有意义的水平)
我有一句话只想用数字替换字符串的一部分。如果我们有一个完全匹配的 gsub 函数就可以完美地工作。
gsub('great thing', 5555 ,c('hey this is a great thing'))
gsub('good rabbit', 5555 ,c('hey this is a good rabbit in the field'))
但是现在我遇到了以下问题。如果字符串的一部分有错误,如何将模糊匹配函数应用于字符串?
gsub('great thing', 5555 ,c('hey this is a graet thing'))
gsub('good rabbit', 5555 ,c('hey this is a goood rabit in the field'))
算法应该计算出 "great thing" 和 "graet thing" 或 "good rabbit" 和 "goood rabit" 非常相似,应该用数字 5555 代替。如果我们能做到最好使用 Jaro Winkler 距离在字符串中找到近似匹配,然后替换近似子字符串。我需要一个非常抽象的算法来做到这一点。
有什么想法吗?
一些agrep
例子:
agrep("lasy", "1 lazy 2")
agrep("lasy", "1 lazy 2", max = list(sub = 0))
agrep("laysy", c("1 lazy", "1", "1 LAZY"), max = 2)
agrep("laysy", c("1 lazy", "1", "1 LAZY"), max = 2, value = TRUE)
agrep("laysy", c("1 lazy", "1", "1 LAZY"), max = 2, ignore.case = TRUE)
agrep
在基地。如果你加载 stringdist
,你可以使用 Jarro-Winkler 和(你猜对了)stringdist
来计算字符串距离,或者如果你很懒,你可以只使用 ain
或 amatch
。出于我的目的,我倾向于更多地使用 Damerau–Levenshtein (method="dl"
),但您的情况可能会有所不同。
请务必在使用算法之前仔细阅读算法参数的确切工作原理(即将 p、q 和 maxDist 值设置为对您正在做的事情有意义的水平)