Я работаю над старыми именами списков. Имена людей написаны по-разному, но на самом деле это одни и те же люди. Я использовал пакет stringdist для вычисления расстояния между строками, чтобы найти, что имена, вероятно, одинаковы.Реорганизация и суммирование данных на основе неполного текста соответствия (package stringdist)
Небольшой пример моих данных:
data <- data.frame(column1 = c("Lalande, Pierre","Lalande, P","Tertre, Girard ","Tertre Girard du"),
column2 = c(4, 5, 10, 1))
Что это дает:
column1 column2
Lalande, Pierre 4
Lalande, P 5
Tertre, Girard 10
Tertre Girard du 1
Что я пробовал: используя stringdist пакет
library (stringdist)
distance <- stringdistmatrix(data$column1,
useNames="strings",
method="lv")
distance2 = as.matrix(distance)
Расстояние < 5: квази равные строк
Lalande, Pierre Lalande, P Tertre, Girard
Lalande, P 5
Tertre, Girard 11 13
Tertre Girard du 14 15 3
Перестройка
library(reshape2)
out <- unique(melt(distance2))
Что это дает:
Var1 Var2 value
1 Lalande, Pierre Lalande, Pierre 0
2 Lalande, P Lalande, Pierre 5
3 Tertre, Girard Lalande, Pierre 11
4 Tertre Girard du Lalande, Pierre 14
5 Lalande, Pierre Lalande, P 5
6 Lalande, P Lalande, P 0
7 Tertre, Girard Lalande, P 13
8 Tertre Girard du Lalande, P 15
9 Lalande, Pierre Tertre, Girard 11
10 Lalande, P Tertre, Girard 13
11 Tertre, Girard Tertre, Girard 0
12 Tertre Girard du Tertre, Girard 3
13 Lalande, Pierre Tertre Girard du 14
14 Lalande, P Tertre Girard du 15
15 Tertre, Girard Tertre Girard du 3
16 Tertre Girard du Tertre Girard du 0
оставляя только хорошие строки:
out2 <- out %>%
filter (value>0 & value<5)
out2
финал, но без моей колонке 3!
Var1 Var2 value
1 Tertre Girard du Tertre, Girard 3
2 Tertre, Girard Tertre Girard du 3
Как это можно сделать? (Суммируя мои первоначальные значения data.frame COLUMN2)
Var1 Var2 Column3(summing)
Lalande, Pierre Lalande, P 9
Tertre, Girard Tertre Girard du 11
Спасибо за проявленный интерес @Wyldsoul. Однако я не могу основываться на регулярном выражении. Я должен работать над гораздо более крупными данными со многими различными именами людей (и использовать пакет текстовых расстояний) – Wilcar