Question

我处理旧名单。人们的名字写的不同，但实际上，这些人是同一个人。我使用stringdist包计算字符串之间的距离，以找到名称可能相同。

我的数据的一个小例子：

 data <- data.frame(column1 = c("Lalande, Pierre","Lalande, P","Tertre, Girard ","Tertre Girard du"),
                    column2 = c(4, 5, 10, 1))

它给出了什么：

            column1 column2
    Lalande, Pierre       4
         Lalande, P       5
    Tertre, Girard       10
   Tertre Girard du       1

我尝试过：使用stringdist包

 library (stringdist)
 distance <- stringdistmatrix(data$column1,
                              useNames="strings",
                              method="lv")
 distance2 = as.matrix(distance)

距离＆lt; 5：准相等的字符串

             Lalande, Pierre Lalande, P Tertre, Girard 
Lalande, P                     5                           
Tertre, Girard                11         13                
Tertre Girard du              14         15          3

重塑

library(reshape2)
out <- unique(melt(distance2))

它给出了什么：

           Var1             Var2     value
1   Lalande, Pierre  Lalande, Pierre     0
2        Lalande, P  Lalande, Pierre     5
3   Tertre, Girard   Lalande, Pierre    11
4  Tertre Girard du  Lalande, Pierre    14
5   Lalande, Pierre       Lalande, P     5
6        Lalande, P       Lalande, P     0
7   Tertre, Girard        Lalande, P    13
8  Tertre Girard du       Lalande, P    15
9   Lalande, Pierre  Tertre, Girard     11
10       Lalande, P  Tertre, Girard     13
11  Tertre, Girard   Tertre, Girard      0
12 Tertre Girard du  Tertre, Girard      3
13  Lalande, Pierre Tertre Girard du    14
14  Lalande, P Tertre Girard du         15
15  Tertre, Girard  Tertre Girard du     3
16 Tertre Girard du Tertre Girard du     0

只保留良好的界限：

out2 <- out %>%
   filter (value>0 & value<5)
out2

最终但没有我的专栏3！

          Var1             Var2     value
1 Tertre Girard du  Tertre, Girard      3
2  Tertre, Girard  Tertre Girard du     3

怎么办呢？（总结我的原始data.frame column2值）

Var1            Var2                 Column3(summing)
Lalande, Pierre    Lalande, P               9                
Tertre, Girard    Tertre Girard du         11

Answer 1

我确信有更简洁的方法可以做到这一点，但这适用于基地R.

const char *

根据模式匹配创建列

 data <- data.frame(column1 = c("Lalande, Pierre","Lalande, P","Tertre, Girard ","Tertre Girard du"),
               column2 = c(4, 5, 10, 1))

这里是合并的x部分，我们正在拆分并转换第1列和第3列

对于合并的y部分，我们通过匹配列3

进行聚合

x和y由相应的匹配列合并

 data$column3 <- gsub(",.*| .*",  "", data$column1)

基于部分匹配文本重新整形和sumarizing data.frame（包stringdist）

1 个答案: