Question

我们说我有一个包含以下单词的变量

ChicKen120
Chicken1.20
Chicken(1.20)
Cow
cow.
cow/
cat

如何找到仅有一两个字符的相似单词？

我意识到我能做到 grep("chicken", df$words, ignore.case=T)找到与鸡肉相似的所有单词，但是通过每个单词来处理这个单词会很乏味，即第一只鸡，然后是牛，然后是猫......

有没有办法在整栏中找到相似的单词？

我想将类似的单词转换为一种标准格式，

chicken(1.20)
chicken(1.20)
chicken(1.20)
cow
cow
cow
cat

Answer 1

关于您的第一个问题，您可以尝试使用adist()：

text <- c("ChicKen120","Chicken1.20","Chicken(1.20)","Cow","cow.", "cow/")
> adist(text)
#     [,1] [,2] [,3] [,4] [,5] [,6]
#[1,]    0    2    4    9    9    9
#[2,]    2    0    2   10    9   10
#[3,]    4    2    0   12   11   12
#[4,]    9   10   12    0    2    2
#[5,]    9    9   11    2    0    1
#[6,]    9   10   12    2    1    0

具有2个或更少连接对的六个字的矩阵元素，最多相差2个字符。

更具体地说，可以列出不相同且最多相差两个字符的单词对：

which(adist(text)<=2 & upper.tri(adist(text)), arr.ind=T)     
#     row col
#[1,]   1   2
#[2,]   2   3
#[3,]   4   5
#[4,]   4   6
#[5,]   5   6

这里逻辑函数upper.tri()已被用于仅选择矩阵的上三角形，从而防止对的双输出（即，以相反的顺序重复）并去除对角线上的相同对。

可以像这样检索与上面列出的行号和列号对应的单词：

words <- text[which(adist(text)<=2 & upper.tri(adist(text)), arr.ind=T)]
matrix(words,ncol=2)
#     [,1]          [,2]           
#[1,] "ChicKen120"  "Chicken1.20"  
#[2,] "Chicken1.20" "Chicken(1.20)"
#[3,] "Cow"         "cow."         
#[4,] "Cow"         "cow/"         
#[5,] "cow."        "cow/"

Answer 2

考虑一个嵌套的gsub，删除所有不需要的特殊字符，并保留单词stem甚至全部移动到小写。下面删除了正斜杠和反斜杠，句点和括号（如果需要将其他模式合并到模式参数中并使用管道分隔符分隔）：

df$newvar <- gsub(pattern = '([[:upper:]])', perl = TRUE, 
                  replacement = '\\L\\1', gsub('[/|\\\\|\\.()]','', df$var))

由此，使用另一个gsub()来处理其他所需的模式，用户必须根据这些模式决定您的需求和数据。 R很难从(1.20)值120和1.20知道你想要df$newvar <- gsub('120','(1.20)', df$newvar)：

    var             newvar
1   ChicKen120      chicken(1.20)
2   Chicken1.20     chicken(1.20)
3   Chicken(1.20)   chicken(1.20)
4   Cow             cow
5   cow.            cow
6   cow/            cow
7   cat             cat
8   cat\            cat                 #<---- ADDED FOR DEMO

<强>观察

{{1}}

在R中的变量中查找类似的单词

2 个答案: