使用字符串距离法清除主题标签中的小差异

Question

我正在处理主题标签。字符串之间存在少量差异。一些主题标签是动词或名称，或者是复数或单数... 它们都有相同的含义。在统计研究的情况下，我必须计算＆＃34;架次＆＃34; ＆＃34;架次＆＃34; ＆＃34;出击＆＃34; ......我试图只保留每个单词的偏差。

例如：
sortir（走出去）：
sortir（动词），sortie（名字，单数），sorties（名字，复数）：

Japon（英语）
日本（法国）

这是我的数据：

data <- as.character (c("Brest", "Nantes", "sortir", "sortir", "sortie", "sorties", "icones", "icones", "icone", "Icone", "japan", "japon"))

打印数据）

我的结果：

"Brest"  
"Nantes"
"sortir" 
"sortir"
"sortie"
"sorties"
"icones" 
"icones"
"icone"
"Icone" 
"japan" 
"japon" 

我想要的： 我想清理我的数据广告，每个主题标签的偏差只保留一个字。

"Brest"  
"Nantes"
"sortir" 
"sortir"
"sortir"
"sortir"
"icones" 
"icones"
"icones"
"icones" 
"japan" 
"japan" 

我做了什么：

# convert text to lower cases:
library (stringr)
data_lowercase <- tolower(data)
print (data_lowercase)

# converting to data frame object
data_lowercase_df <- as.data.frame(data_lowercase)
data_lowercase_df

# calculating string distance with levenshtein method
library (stringdist)
distance <- stringdistmatrix(data_lowercase ,
                         useNames="strings",
                         method="lv")
# Creating a matrix
distance2 <-  as.matrix(distance)
distance2

# Converting to a data.frame object 
library(reshape2)
distance_df <- unique(melt(distance2))
print (distance_df)

#Keeping text distance <3for "good" matches.
library (dplyr)
distance_df_2 <- distance_df %>%
filter (value>=0 & value<3)
print (distance_df_2)