Question

是的，以前有人问过，但是我找不到一个线程可以为这个问题提供简单清晰的答案。

我在下面有示例数据-我有两列，col1是当前地址，col2是一个被告知比当前地址“更好”的地址。我需要查看第二列比第一列有多少“更好”。在大多数情况下，第二个是更好的b / c，它包含第一个缺少的辅助信息，例如公寓号。

test <- as.data.frame(matrix(c(
"742 Evergreen Terrace" , "742 Evergreen Terrace Apt 3" , 
"31 Spooner Street #42" , "31 Spooner Street", 
"129 W 81st Street" , "129 W 81st Street Apt 5A" , 
"245 E 73rd Street", "245 E 73rd Street Apt 6") , ncol=2, byrow=TRUE, 
dimnames=list(NULL, c("old_addr" , "new_addr"))) ,stringsAsFactors=FALSE)

我在这里找到一个答案，该答案接近我想要的： Fuzzy match row in one column with same row in next column

我需要创建第三列，它是一个简单的1/0变量，如果近似匹配则为== 1，否则为0。我需要能够为近似匹配指定阈值。

对于我的第一个示例-742 Evergreen Terrace与742 Evergreen Terrace Apt 3，长度相差六倍。我需要能够指定六个或八个或任何其他长度差。

我查看了agrep，但是我需要比较同一行中的两列数据，但不允许这样做。我也尝试过lapply，但是其结果使我认为它正在遍历整个列中的所有数据，因此我需要逐行比较。还有我不明白的最大距离，下面的ifelse和最大为1（如果我正确理解为1 ==可以有一个单位的编辑或更改），它应该抛出错误，但只能合一情况。

agrep(test$old_addr, test$new_addr, max.distance = 0.1, ignore.case = TRUE)

test$fuzz_match <- lapply(test$old_addr , agrep , x = 
test$new_addr , max.distance = 1 , ignore.case = TRUE)

感谢您的帮助，谢谢！

Answer 1

您可以计算每对之间的Levenshtein distance。然后，您需要确定两个不同的地址必须相隔多大。

test$lev_dist <- mapply(adist, test$old_addr, test$new_addr)

test$same_addr <- test$lev_dist < 5

test
#                old_addr                    new_addr lev_dist same_addr
# 1 742 Evergreen Terrace 742 Evergreen Terrace Apt 3        6     FALSE
# 2 31 Spooner Street #42           31 Spooner Street        4      TRUE
# 3     129 W 81st Street    129 W 81st Street Apt 5A        7     FALSE
# 4     245 E 73rd Street     245 E 73rd Street Apt 6        6     FALSE

您可以通过类似的方式将agrep()与mapply()一起使用。

test$agrep_match <- mapply(agrep, test$old_addr, test$new_addr)
test$agrep_match <- lengths(test$agrep_match) == 1
test
#                old_addr                    new_addr agrep_match
# 1 742 Evergreen Terrace 742 Evergreen Terrace Apt 3        TRUE
# 2 31 Spooner Street #42           31 Spooner Street       FALSE
# 3     129 W 81st Street    129 W 81st Street Apt 5A        TRUE
# 4     245 E 73rd Street     245 E 73rd Street Apt 6        TRUE

agrep()也是基于Levenshtein距离的，但是，我确信您已经找到了很多用于调整阈值的选项。

除Levenshtein以外，还有其他一些不同的措施可能更适合此应用程序。软件包stringdist具有许多其他可用的字符串距离度量标准。

模糊地址匹配R

1 个答案: