想法是比较两个字符串向量,例如：
df <- data.frame(a = c("New York 001","Orlando 002","Boston 003","Chicago 004","Atlanta 005"),b = c("NEW YORK 001","Orlando","Boston (003)","Chicago 005","005 Atlanta"))
并想出一种方法来给他们一些精确度.基本上添加具有数值的列c.
我的思路：
我们有这个：
> df
a b
1 New York 001 NEW YORK 001
2 Orlando 002 Orlando
3 Boston 003 Boston (003)
4 Chicago 004 Chicago 005
5 Atlanta 005 005 Atlanta
第一件事是第一件事 – 剥离白人,忽略案件并删除所有特殊字符.
df$a <- gsub("[[:space:]]|[[:punct:]]","",toupper(df$a))
df$b <- gsub("[[:space:]]|[[:punct:]]",toupper(df$b))
我们得到了什么：
> df
a b
1 NEWYORK001 NEWYORK001
2 ORLANDO002 ORLANDO
3 BOSTON003 BOSTON003
4 CHICAGO004 CHICAGO005
5 ATLANTA005 005ATLANTA
所以现在我们处于问题的核心.
第一行将是100％匹配.
第二行有7个匹配字符,最多10个字符.因此70％.
第三名现在比赛为100％.
第四名有90％的比赛.
第五个是棘手的.人类的头脑告诉我他们匹配,但订单有问题.但这不是计算机的工作原理.实际上它可以被测量为70％匹配,因为在两个字符串中重复7个连续字符.
所以问题是：
如何对字符串比较进行定量测量？
也许有一种更好的方法可以做到这一点,因为我从未有过比较部分匹配的字符串集的经验.并且采用这种特殊的可量化措施只是我直观的做事方式.
如果R已经有一个库/函数以更好的方式完成所有这些,我根本不知道,我不会感到惊讶.
解决方法
Rcpp更正确的答案：
library(Rcpp)
cppFunction('NumericVector commonChars(CharacterVector x,CharacterVector y) {
int len = x.size();
NumericVector out(len);
double percentage;
int count=0,k=0;
std::string compared;
std::string source;
for (int i=0; i<len;++i) {
source = x[i];
compared = y[i];
count=0;
k=0;
for (int j=0;j<compared.length();j++) {
if (source[j] == compared[j]) { count++; continue; }
while(k < source.length()) {
if (source[j] == compared[k]) { count++; break; }
k++;
}
}
percentage = (count+0.0)/(source.length()+0.0);
out[i] = percentage;
}
return out;
}')
赠送：
> commonChars(df$a,df$b) [1] 1.0 0.7 1.0 0.9 0.7
我没有针对其他答案或大数据框架进行测试.
不是你真正想要的,但这是一个想法(我会尝试改进它)：
df$r <- gsub("\\w","(\1)?",df$a)
for (i in 1:length(df$a)) {
df$percentage[i] < ( as.integer(
attr(
regexpr( df$r[i],df$b[i]),"match.length"
)
) / str_length(df$a[i]) * 100)
}
输出：
a b r percentage 1 NEWYORK001 NEWYORK001 (N)?(E)?(W)?(Y)?(O)?(R)?(K)?(0)?(0)?(1)? 100 2 ORLANDO002 ORLANDO (O)?(R)?(L)?(A)?(N)?(D)?(O)?(0)?(0)?(2)? 70 3 BOSTON003 BOSTON003 (B)?(O)?(S)?(T)?(O)?(N)?(0)?(0)?(3)? 100 4 CHICAGO004 CHICAGO005 (C)?(H)?(I)?(C)?(A)?(G)?(O)?(0)?(0)?(4)? 90 5 ATLANTA005 005ATLANTA (A)?(T)?(L)?(A)?(N)?(T)?(A)?(0)?(0)?(5)? 30
缺点：
>有一个for循环
> ATLANTA005因为005仅在订单中匹配而返回30％.
我会看看我是否能找到一种方法来构建更好的正则表达式
