我有一个大型的管理数据文件，大约有100万条记录。在此数据集中可以多次表示个人。大约一半的记录都有识别代码，可以将记录映射到个人;对于没有的一半，我需要模糊匹配名称来标记可能属于同一个人的记录。
通过查看带有识别码的记录，我创建了一份记录同一个人姓名的差异列表：
鉴于我所追求的匹配类型，是否有比使用agrep（）/ levenshtein的距离更好的方法，这很容易在R中实现？
编辑：R中的agrep（）在这个问题上没有做得很好 - 因为我需要考虑大量的插入和替换来解释名称记录的方式不同，很多错误的匹配被扔了。
答案 0 :(得分：1)
我会多次通过。
"Jon .* Snow" - 中间名
"Jon .*Snow" - 姓氏第二名
昵称需要从长格式到短格式的字典，但没有正则表达式可以处理他的。
"Snow Jon" - 逆转（duh）
agrep将处理轻微的拼写错误。
您可能还想将您的名字标记为第一个，中间一个和最后一个。