字符串匹配，不管R中的单词和短格式的顺序：R中的模糊字符串匹配

Question

我是R的新手，想要比较2个字符串（地址）

1. 除了数字之外，单词顺序可能不同。 （连续数字需要按相同顺序排列）
2. 单词有时可能是简短的形式，例如街道可能是st。，西北可能是North W。
3. 1个字符串可以包含一个单词或2个额外的单词（其余单词将相同）

4. 有时可能在一个单词中有空格，例如Pitampura - ＆gt; Pitam pura。

   例如

  

S1 = QU 23/24 Shalimar Bagh，Pitampura，Street no。 22，德里

     

S2 = QU Flat 23/24 Pitam Pura，St。22，Shalimar Bagh，Delhi

到目前为止，我已删除地址中的特殊字符，空格，冗余字词。

像cosine或levenshtein距离这样的距离公式是一个不错的选择。如果是，请如何在不使用任何包的情况下在R 中应用相同的内容。

不必自由安装任何外部包。

提前致谢。

Answer 1

不是一个直接的答案，而是一个想法：你可以计算出在另一个向量中出现的分裂小写单词的分数，并建立某种阈值。在R中，这可能是：

S1 <- "QU 23/24 Shalimar Bagh, Pitampura, Street no. 22, delhi"
lcwords1 <- tolower(unlist(strsplit(S1, " ")))

S2 <- "QU Flat 23/24 Pitam Pura, St. No. 22, Shalimar Bagh, Delhi"
lcwords2 <- tolower(unlist(strsplit(S2, " ")))

(score <- sum(lcwords1 %in% lcwords2)/length(lcwords1) + 
          sum(lcwords2 %in% lcwords1)/length(lcwords2)) / 2

并且得分

[1] 0.7070707

其中1将是相等的向量 您很可能需要将此包装在一个会产生结果的函数中，请参阅a similar post here。