我有一个各种级别的变量q。有些级别实际上是相同的，但报告不好。
length(q)
[1] 13490
> levels(q)
[1] "" " "
[3] "?" "."
[5] "Activelle" "CERACETT"
[7] "CERACETTE" "CERASETTE"
[9] "cerazette" "Cerazette"
[11] "CERAZETTE" "CERAZETTI"
[13] "CEVAZETTE" "cilest"
[15] "Cilest" "Cileste"
[17] "Conludag" "COPALETTA?"
[19] "DEPO..." "Depo-Provera"
[21] "Depo. Pro Vera" "DEPOPROVERA"
[23] "DEPO PROVERA" "depoprovin"
[25] "DEPROVERA" "DESOLETT"
[27] "desorelle" "Diane"
[29] "Diane mite" "Divana"
[31] "ENDEVINA" "Estradot"
[33] "ETHISYLESTRA,LEVONORGESTR" "Evra"
[35] "EXCLUTENA" "EXKLUTENA"
[37] "EXLUENTA 0,5MG" "EXLUTENA"
[39] "Femanest" "femenest"
[41] "gastonette" "Harmonet"
[43] "hormon" "Hormonspiral"
[45] "IMPLANON" "INPLANON"
[47] "KOMMER EJ IH\xc5G" "LEBONOVA"
[49] "LEMINOVA" "lemonora"
[51] "LENONOVA" "LENOR"
[53] "lenova" "Lenova"
[55] "LENOVA" "LENOVA?"
[57] "Leonova" "Levanova"
[59] "LEVENOVA" "LEVINA"
[61] "Levinova" "LEVINOVA"
[63] "LEVIONOVA" "Levnova"
[65] "levonova" "Levonova"
[67] "LEVONOVA" "Levonova hormonspiral"
[69] "Levonova lykkja" "Lindinette"
[71] "lindynette" "Lindynette"
[73] "loette" "lyndynette"
[75] "malonetta" "Marvelon"
[77] "Meniva" "Mercilon"
[79] "Mereilom" "merivan"
[81] "Microgyn" "microgynon"
[83] "Microgynon" "Mikrogyn"
[85] "Milvane" "MINERVA/LEVONORG."
[87] "MINI P" "MINI-P"
[89] "Mini-pe" "mini-pl"
[91] "MINIRA" "MINNS EJ"
[93] "minulet" "Minulet"
[95] "minulet p-piller" "MIRANDA"
[97] "Mircne" "mirena"
[99] "Mirena" "MIRENA"
[101] "mirena levonorge" "MIRENA LEVONORGESTREL"
[103] "Modina p-piller" "Mod turner: milv"
[105] "NEOULETTA" "NEOVLETTA"
[107] "NORLEVO" "NOV?"
[109] "Novaring" "novynette"
[111] "Novynette" "nuva ring"
[113] "Nuva ring" "NUVARING"
[115] "Østradiol dlf 2" "Østradiolgel"
[117] "P-plaster" "PROVERA"
[119] "RESTOVAR" "spiral"
[121] "Spiral" "Synfase"
[123] "T-GYN" "triminetta sando"
[125] "TRIMORDIOL" "TRINOVUM"
[127] "TRIONETTA 28" "TRIREGOL"
[129] "T-spiral" "Vagifem"
[131] "VET EJ" "yas, bayer"
[133] "yasmin" "Yasmin"
[135] "YASMINELL" "yasminelle"
[137] "Yasminelle" "YAZ"
[139] "ZYRONA"
我想将所有类似的关卡分组。 例如，在这种情况下，我想组合cerazetti，cerasete，ceracett ...... 我怎样才能做到这一点？
编辑：
> dput(levels(q))
c("", " ", "?", ".", "Activelle", "CERACETT", "CERACETTE", "CERASETTE",
"cerazette", "Cerazette", "CERAZETTE", "CERAZETTI", "CEVAZETTE",
"cilest", "Cilest", "Cileste", "Conludag", "COPALETTA?", "DEPO...",
"Depo-Provera", "Depo. Pro Vera", "DEPOPROVERA", "DEPO PROVERA",
"depoprovin", "DEPROVERA", "DESOLETT", "desorelle", "Diane",
"Diane mite", "Divana", "ENDEVINA", "Estradot", "ETHISYLESTRA,LEVONORGESTR",
"Evra", "EXCLUTENA", "EXKLUTENA", "EXLUENTA 0,5MG", "EXLUTENA",
"Femanest", "femenest", "gastonette", "Harmonet", "hormon", "Hormonspiral",
"IMPLANON", "INPLANON", "KOMMER EJ IH\xc5G", "LEBONOVA", "LEMINOVA",
"lemonora", "LENONOVA", "LENOR", "lenova", "Lenova", "LENOVA",
"LENOVA?", "Leonova", "Levanova", "LEVENOVA", "LEVINA", "Levinova",
"LEVINOVA", "LEVIONOVA", "Levnova", "levonova", "Levonova", "LEVONOVA",
"Levonova hormonspiral", "Levonova lykkja", "Lindinette", "lindynette",
"Lindynette", "loette", "lyndynette", "malonetta", "Marvelon",
"Meniva", "Mercilon", "Mereilom", "merivan", "Microgyn", "microgynon",
"Microgynon", "Mikrogyn", "Milvane", "MINERVA/LEVONORG.", "MINI P",
"MINI-P", "Mini-pe", "mini-pl", "MINIRA", "MINNS EJ", "minulet",
"Minulet", "minulet p-piller", "MIRANDA", "Mircne", "mirena",
"Mirena", "MIRENA", "mirena levonorge", "MIRENA LEVONORGESTREL",
"Modina p-piller", "Mod turner: milv", "NEOULETTA", "NEOVLETTA",
"NORLEVO", "NOV?", "Novaring", "novynette", "Novynette", "nuva ring",
"Nuva ring", "NUVARING", "Østradiol dlf 2", "Østradiolgel",
"P-plaster", "PROVERA", "RESTOVAR", "spiral", "Spiral", "Synfase",
"T-GYN", "triminetta sando", "TRIMORDIOL", "TRINOVUM", "TRIONETTA 28",
"TRIREGOL", "T-spiral", "Vagifem", "VET EJ", "yas, bayer", "yasmin",
"Yasmin", "YASMINELL", "yasminelle", "Yasminelle", "YAZ", "ZYRONA"
)
>
答案 0 :(得分：6)
您可以使用agrep功能搜索近似匹配项。它使用Levenshtein距离，你可以通过参数max.distance获得匹配的最大距离。
采用此向量（您发布的向量除了空字符串""和"KOMMER EJ IH\xc5G"）：
x <- c("Activelle", "CERACETTE", "cerazette", "CERAZETTE", "CEVAZETTE",
"Cilest", "Conludag", "DEPO...", "Depo. Pro Vera", "DEPO PROVERA",
"DEPROVERA", "desorelle", "Diane mite", "ENDEVINA", "ETHISYLESTRA,LEVONORGESTR",
"EXCLUTENA", "EXLUENTA 0,5MG", "Femanest", "gastonette", "hormon",
"IMPLANON", "LEMINOVA", "LENONOVA", "lenova", "LENOVA", "Leonova",
"LEVENOVA", "Levinova", "LEVIONOVA", "levonova", "LEVONOVA",
"Levonova lykkja", "lindynette", "loette", "malonetta", "Meniva",
"Mereilom", "Microgyn", "Microgynon", "Milvane", "MINI P", "Mini-pe",
"MINIRA", "minulet", "minulet p-piller", "Mircne", "Mirena",
"mirena levonorge", "Modina p-piller", "NEOULETTA", "NORLEVO",
"Novaring", "Novynette", "Nuva ring", "Østradiol dlf 2", "P-plaster",
"RESTOVAR", "Spiral", "T-GYN", "TRIMORDIOL", "TRIONETTA 28",
"T-spiral", "VET EJ", "yasmin", "YASMINELL", "Yasminelle", "ZYRONA",
"CERACETT", "CERASETTE", "Cerazette", "CERAZETTI", "cilest",
"Cileste", "COPALETTA?", "Depo-Provera", "DEPOPROVERA", "depoprovin",
"DESOLETT", "Diane", "Divana", "Estradot", "EXKLUTENA", "EXLUTENA",
"femenest", "Harmonet", "Hormonspiral", "INPLANON", "LEBONOVA",
"lemonora", "LENOR", "Lenova", "LENOVA?", "Levanova", "LEVINA",
"LEVINOVA", "Levnova", "Levonova", "Levonova hormonspiral", "Lindinette",
"Lindynette", "lyndynette", "Marvelon", "Mercilon", "merivan",
"microgynon", "Mikrogyn", "MINERVA/LEVONORG.", "MINI-P", "mini-pl",
"MINNS EJ", "Minulet", "MIRANDA", "mirena", "MIRENA", "MIRENA LEVONORGESTREL",
"Mod turner: milv", "NEOVLETTA", "novynette", "nuva ring", "NUVARING",
"Østradiolgel", "PROVERA", "spiral", "Synfase", "triminetta sando",
"TRINOVUM", "TRIREGOL", "Vagifem", "yas, bayer", "Yasmin", "yasminelle")
你可以这样做：
groups <- list()
i <- 1
while(length(x) > 0)
{
id <- agrep(x[1], x, ignore.case = TRUE, max.distance = 0.1)
groups[[i]] <- x[id]
x <- x[-id]
i <- i + 1
}
第一组定义如下：
head(groups)
[[1]]
[1] "Activelle"
[[2]]
[1] "CERACETTE" "cerazette" "CERAZETTE" "CERACETT" "CERASETTE" "Cerazette"
[[3]]
[1] "CEVAZETTE"
[[4]]
[1] "Cilest" "cilest" "Cileste"
[[5]]
[1] "Conludag"
[[6]]
[1] "DEPO..."
请注意，上述代码会移除x中的元素。循环结束后，向量x将为空。
答案 1 :(得分：1)
一种解决方案可能是使用grep和/或grepl：
x <- c("toto", "CERACETT","CERASETTE","Cerazette","CERAZETTE","CEVAZETTE", "youpi")
grep("ce[vr]a[z]ett[e]", x, ignore.case = TRUE, value = TRUE)
x[grepl("ce[vr]a[sz]ett[e]", x, ignore.case = TRUE)] <- "replacement_string"