Подмножество с использованием grep для включения levenshtein distance?

Question

У меня есть два dataframes, с двумя символьными векторами различной длины, которые я хотел бы, чтобы соответствовать, например, так:

company.a <- c("heinz", "hawkings mcgill", "heinz ketchup", "heinz vinegars", "davis and smith", "dell computers", "dell", "O organics", "organics") 

company.b <- c("heinz", "hawkings-mcgill", "oyster bay", "company x", "dell") 

Я хотел бы сравнить company.b к company.a, возвращая вектор, содержащий элемент от company.b, который был сопоставлен с company.a. Я попытался с помощью следующего кода для подмножества тем больше фрейм

match.comp <- subset(company.a, grep(paste(company.b, collapse = "|"), company.a, value = TRUE)). 

Однако то, что я получаю в ответ ошибка о том, «подмножество» должно быть логичным. Я хотел бы следующий результат:

match <- c("heinz", "hawkings mcgill", "heinz", "heinz", "FALSE", "dell", "dell", FALSE, FALSE) 

Учитывая ошибки, очевидно, я что-то о Grep или подмножестве отсутствует. У меня есть два вопроса:

1. Является ли grep лучшим способом для этого? Или есть другой способ? Я знаю о точном сопоставлении, используя подход (A% in% B), но я не могу гарантировать, что строки будут точными совпадениями.

2. Grep вернет первое совпадение, но есть ли способ извлечь все возможные совпадения, которые были рассмотрены через, скажем, расстояние levenshtein? Я знаю функцию adist в пакете utils, но я хочу знать, можно ли комбинировать ее с grep.

Любая помощь или совет были бы очень признательны. Благодарю.

Answer 1

Вы можете использовать adist или agrep, но это очень субъективный процесс с точки зрения затрат и точек отсечения. В этом случае вы можете получить желаемый результат с помощью

d <- adist(company.b, company.a, partial = TRUE) 
d <- apply(d, 2, prop.table) # working with proportions instead of costs can be useful 

matches <- apply(d, 2, function(x){ 
    x <- setNames(x, company.b) 
    names(which.min(x[x < 0.05])) # set cutoff carefully 
}) 
matches <- sapply(matches, function(x){ifelse(is.null(x), NA, x)}) # clean out NULLs 

matches 
## [1] "heinz"   "hawkings-mcgill" "heinz"   "heinz"   NA    
## [6] "dell"   "dell"   NA    NA  

Answer 2

Это может частично удовлетворить ваши требования:

library(utils) 

company.a <- c("heinz", "hawkings mcgill", "heinz ketchup", "heinz vinegars", "davis and smith", "dell computers", "dell", "O organics", "organics") 
company.b <- c("heinz", "hawkings-mcgill", "oyster bay", "company x", "dell") 

limit <- 2 

res <- sapply(company.a, function(wa) { 
    d <- sapply(company.b, function(wb){ 
     adist(wb, wa) 
    }) 
    d <- d[d<=limit] 
    names(d) 
}) 

выше фрагмент кода будет извлекать все матчи во втором массиве, каждое слово в первом массиве. Здесь два слова сопоставляются, если расстояние Левенштейна является максимальным «пределом».

Также обратите внимание, что некоторые из совпадений, которые вы указали выше, не так просты. Например, если «heinz» должен соответствовать «heinz ketchup», для этого потребуется предел расстояния Levenshtein в 8, который будет слишком высоким в целом. Чтобы справиться с этими случаями, должна быть построена более активная функция расстояния.