Последовательно присваивайте имена переменной, затем создайте новую переменную с самым коротким именем для близких совпадений.

Question

Предположим, что символьный вектор имен компаний, где имена входят в различные формы. Вот небольшая версия 100 000 строк данных строки; он показывает желаемый второй вектор («two.names»).

structure(list(firm = structure(1:8, .Label = c("Carlson Caspers", 
"Carlson Caspers Lindquist & Schuman P.A", "Carlson Caspers Vandenburgh Lindquist & Schuman P.A.", 
"Carlson Caspers Vandenburgh & Lindquist", "Carmody Torrance", 
"Carmody Torrance et al", "Carmody Torrance Sandak", "Carmody Torrance Sandak & Hennessey LLP" 
), class = "factor"), two.name = structure(c(1L, 1L, 1L, 1L, 
2L, 2L, 2L, 2L), .Label = c("Carlson Caspers", "Carmody Torrance" 
), class = "factor")), .Names = c("firm", "two.name"), row.names = c(NA, 
-8L), class = "data.frame") 


               firm   two.name 
1          Carlson Caspers Carlson Caspers 
2    Carlson Caspers Lindquist & Schuman P.A Carlson Caspers 
3 Carlson Caspers Vandenburgh Lindquist & Schuman P.A. Carlson Caspers 
4    Carlson Caspers Vandenburgh & Lindquist Carlson Caspers 
5          Carmody Torrance Carmody Torrance 
6        Carmody Torrance et al Carmody Torrance 
7        Carmody Torrance Sandak Carmody Torrance 
8    Carmody Torrance Sandak & Hennessey LLP Carmody Torrance 

Пусть вектор отсортирован в алфавитном порядке по названию фирмы (который я считаю, ставит самую короткую версию первой). Как я могу использовать agrep(), чтобы начать с первого названия компании, сопоставить его со вторым и - при близком совпадении - добавить первое имя компании в новый столбец (short.name) для обоих из них. Затем сопоставьте его с третьим элементом и т. Д. Все вариации Карлсона будут сопоставлены.

Если совпадение не соответствует, так как когда R встречает первый Carmody, начните с него и сопоставьте его со следующим элементом и так далее до следующего несоответствия.

Если между последовательными компаниями нет совпадений, R следует продолжить, пока не найдет совпадение.

Ответ на этот вопрос использует нечеткое соответствие по всему вектору и группам по годам. Create a unique ID by fuzzy matching of names (via agrep using R) Кажется, однако, предложить часть кода, которая решит мою проблему. Этот вопрос использует stringdist(). stringdist

EDIT:

Ниже объект matches список, который показывает матчи, но я не знаю, код, чтобы сказать R «взять первый и преобразовать следующие матчи, если таковые имеются , к этому имени и поместите это имя в столбец новой переменной. "

as.factor(df$firm) 
matches <- lapply(levels(df$firm), agrep, x=levels(df$firm), fixed=TRUE, value=FALSE) 

Answer 1

Я пошел и написал его для цикла, первое определение первой линии как short.name, а затем найти спички, обновление dataframe и выбрать следующий искать. Это то, что я имел в виду под словом «не пытайтесь решить эту проблему с помощью одного лайнера» - вы должны сделать его первым в гораздо более подробном виде, чтобы вы могли понять, что происходит. Тогда и ТОЛЬКО, если вам НУЖНО, вы можете попытаться сжать его в oneliner.

firm.txt <- as.character(df$firm) 
short.name <- firm.txt[1] 
for (i in 2:length(firm.txt)) { 
    # i don't know how to write it any prettier 
    match <- agrep(short.name, firm.txt) 
    if (length(match) > 0) { 
    df$two.name[match] <- short.name 
    i <- max(match) + 1 
    short.name <- firm.txt[i] 
    } 
}