Corrispondenza stringa imperfetta

Question

Dire che ho due colonne di nomi. Tutti i nomi nella prima colonna sono nella seconda colonna, ma in ordine casuale, E alcuni di loro non sono corrispondenze perfette. Quindi forse in una colonna c'è il nome John Smith e nel secondo John_smith o JonSmith. Esiste un modo abbastanza semplice per eseguire una "migliore corrispondenza"?

Answer 1

dato alcuni dati in questo modo:

df<-data.frame(x=c('john doe','john smith','sally struthers'),y=c('John Smith','John_smith','JonSmith')) 

si può ottenere una lunga strada con un paio di gsub s e tolower:

df$y.fix <- gsub('[[:punct:]]', ' ', df$y) 
df$y.fix <- gsub(' ', '', df$y.fix) 
df$y.fix <- tolower(df$y.fix) 
df$x.fix <- tolower(gsub(' ', '', df$x)) 

Poi agrep è ciò che si vorrà:

> agrep(df$x.fix[2], df$y.fix) 
[1] 1 2 3 

per stringhe di confusione più complesse, vedere this post from last week.