我为同一组学生分别收集了两个名单。有很多印刷错误，我一直在使用模糊匹配来链接这两个列表。我在99 +％agrep和类似，但我坚持以下基本问题：如何匹配（例如）名字“阿德里安布鲁斯”和“布鲁斯阿德里安”？ Levenshtein编辑距离对于这种特殊情况并不好，因为它计算了替换次数。
这一定是一个非常常见的问题，但我找不到任何标准的R包或例程来解决它。我认为我错过了一些明显的东西...... ???
答案 0 :(得分：3)
嗯，一个相当简单的方法是交换单词并再次匹配......
y=c("Bruce Almighty", "Lee, Bruce", "Leroy Brown")
y2 <- sub("(.*) (.*)", "\\2 \\1", y)
agrep("Bruce Lee", y) # No match
agrep("Bruce Lee", y2) # Match!
答案 1 :(得分：0)
我通常使用的技术非常强大，对排序，标点符号等相对不敏感。它基于被称为＆＃34; n-gram＆＃34;的对象。如果n = 2，＆＃34; bigrams＆＃34;。例如：
"Adrian Bruce" --> ("Ad","dr","ri","ia","an","n "," B","Br","ru","uc","ce")
"Bruce Adrian" --> ("Br","ru","uc","ce","e "," A","Ad","dr","ri","ia","an")
每个字符串有11个双字母。其中9个是共同的。因此，相似性得分非常高：9/11或0.818，其中1.000是完美匹配。
我对R不是很熟悉，但是如果一个包不存在，这种技术很容易编码。您可以编写一个循环遍历字符串1的双字组的代码，并统计字符串2中包含的代码数量。