Question

编辑：在R版本2.9.2中修复了32位版本的R中发现的这个错误。

这是@leoniedu今天发给我的推文，我没有他的答案，所以我想我会在这里发布。

我已经阅读了agrep（）的文档（模糊字符串匹配），看起来我并不完全理解max.distance参数。这是一个例子：

pattern <- "Staatssekretar im Bundeskanzleramt"
x <- "Bundeskanzleramt"
agrep(pattern,x,max.distance=18) 
agrep(pattern,x,max.distance=19)

表现完全像我期望的那样。字符串之间有18个字符不同，所以我希望它是匹配的阈值。这让我感到困惑：

agrep(pattern,x,max.distance=30) 
agrep(pattern,x,max.distance=31)
agrep(pattern,x,max.distance=32) 
agrep(pattern,x,max.distance=33)

为什么30和33匹配，但不是31和32？为了节省一些数，

> nchar("Staatssekretar im Bundeskanzleramt")
[1] 34
> nchar("Bundeskanzleramt")
[1] 16

Answer 1

我暂时将其发布在R列表中并报告为R-bugs-list中的错误。我没有任何有用的回复，所以我试图看看这个错误是否可以重现，或者我只是遗漏了一些东西。 JD Long能够重现它，并在这里发布了这个问题。

请注意，至少在R中，agrep是用词不当，因为不匹配正则表达式，而grep代表“全局搜索正则表达式和打印”。对于比目标向量更长的模式，它应该没有问题。（我想！）

在我的Linux服务器中，一切都很好但在我的Mac和Windows机器上却不是这样。

的Mac： sessionInfo（） R版本2.9.1（2009-06-26） I386的苹果darwin8.11.1 区域：的en_US.UTF-8 /的en_US.UTF-8 / C / C /的en_US.UTF-8 /的en_US.UTF-8

AGREP（图案，X，最大距离= 30） [1] 1

AGREP（图案，X，最大距离= 31）整数（0） AGREP（图案，X，最大距离= 32）整数（0） AGREP（图案，X，最大距离= 33） [1] 1

Linux中： R版本2.9.1（2009-06-26） x86_64-unknown-linux-gnu

区域设置： LC_CTYPE =的en_US.UTF-8; LC_NUMERIC = C; LC_TIME =的en_US.UTF-8; LC_COLLATE =的en_US.UTF-8; LC_MONETARY = C; LC_MESSAGES =的en_US.UTF-8; LC_PAPER =的en_US.UTF-8; LC_NAME = ℃; LC_ADDRESS = C; LC_TELEPHONE = C; LC_MEASUREMENT =的en_US.UTF-8; LC_IDENTIFICATION = C

AGREP（图案，X，最大距离= 30） [1] 1 AGREP（图案，X，最大距离= 31） [1] 1 AGREP（图案，X，最大距离= 32） [1] 1 AGREP（图案，X，最大距离= 33） [1] 1

Answer 2

我不确定你的例子是否有意义。对于基本的grep（），pattern通常是简单或正则表达式，x是一个向量，其元素与pattern匹配。将模式作为较长的字符串，x使我感到奇怪。

考虑一下我们只使用grep而不是substr：

R> grep("vo", c("foo","bar","baz"))   # vo is not in the vector
integer(0)
R> agrep("vo", c("foo","bar","baz"), value=TRUE) # but is close enough to foo
[1] "foo"
R> agrep("vo", c("foo","bar","baz"), value=TRUE, max.dist=0.25) # still foo
[1] "foo"
R> agrep("vo", c("foo","bar","baz"), value=TRUE, max.dist=0.75) # now all match
[1] "foo" "bar" "baz"
R>

意外的agrep（）结果与R中的max.distance相关

2 个答案: