Question

我有一个包含500万个不同公司名称的数据框，其中许多是指以不同方式或拼写错误拼写的同一家公司。我使用公司名称＆＃34; Amminex＆＃34;作为一个例子，然后尝试将其串联到500万公司名称：

Companylist <- data.frame(Companies=c('AMMINEX'))

这是我打开的公司名单的大名单：

Biglist <- data.frame(name=c(Biglist[,]))

我把AMMINEX和500万家公司放在一个矩阵中：

Matches <- expand.grid(Companylist$Companies,Biglist$name.Companiesnames)

更改列名称：

names(Matches) <- c("Companies","CompaniesList")

我使用带有余弦方法的stringdist：

Matches$dist <- stringdist(Matches$Companies,Matches$CompaniesList, method="cosine")

我删除所有超过0.2的距离以消除不良匹配：

Matches_trimmed <- Matches[!(Matches$dist>0.2),]

我按距离列排序，因此最佳匹配显示在顶部：

Matches_trimmed <- Matches_trimmed[with(Matches_trimmed, order(dist)), ]

正如您在此处所见，结果并不十分令人满意：

第一行很好，但是在最后到底之前出现了一堆不好的比赛我得到了比赛＆＃34; AMMINEX AS＆＃34;这很好。

这对我来说并不合适。有什么方法可以改善这种模糊匹配，或者使用不同的方法来获得更好的结果？也许一种方法可以看出字母出现在字符串中的顺序？