r - R中的模糊匹配

Question

我正在尝试检测开放文本字段(读:困惑!)与名称向量之间的匹配。我创建了一个愚蠢的水果示例，突出了我的主要挑战。

df1 <- data.frame(id = c(1, 2, 3, 4, 5, 6),
              entry = c("Apple", 
                        "I love apples", 
                        "appls",
                        "Bannanas",
                        "banana", 
                        "An apple a day keeps..."))
df1$entry <- as.character(df1$entry)

df2 <- data.frame(fruit=c("apple",
                          "banana",
                          "pineapple"),
                  code=c(11, 12, 13))
df2$fruit <- as.character(df2$fruit)

df1 %>%
  mutate(match = str_detect(str_to_lower(entry), 
                            str_to_lower(df2$fruit)))

如果你愿意的话，我的方法捕获了容易实现的目标(与“Apple”和“banana”完全匹配)。

#  id                   entry match
#1  1                   Apple  TRUE
#2  2           I love apples FALSE
#3  3                   appls FALSE
#4  4                Bannanas FALSE
#5  5                  banana  TRUE
#6  6 An apple a day keeps... FALSE

不匹配的案例有不同的挑战:

1. 案例 2 和 6 中的目标水果嵌入较大的字符串中。
2. 3 和 4 中的目标水果需要模糊匹配。

fuzzywuzzyR软件包很棒并且做得非常好(有关安装 python 模块的详细信息，请参阅页面)。

library(fuzzywuzzyR)
choices <- df2$fruit
word <- df1$entry[3]  # "appls"

init_proc = FuzzUtils$new()      
PROC = init_proc$Full_process    
PROC1 = tolower                  

init_scor = FuzzMatcher$new()    
SCOR = init_scor$WRATIO          

init <- FuzzExtract$new()        

init$Extract(string = word, 
             sequence_strings = choices, 
             processor = PROC, 
             scorer = SCOR)

此设置为“apple”返回 80 分(最高)。

除了 fuzzywuzzyR 之外，还有其他方法可以考虑吗？您将如何解决这个问题？

<小时/>

添加fuzzywuzzyR输出:

[[1]]
[[1]][[1]]
[1] "apple"

[[1]][[2]]
[1] 80


[[2]]
[[2]][[1]]
[1] "pineapple"

[[2]][[2]]
[1] 72


[[3]]
[[3]][[1]]
[1] "banana"

[[3]][[2]]
[1] 18

Answer 1

我今天回答问题时发现引用了这个问题。所以我想到回答原来的问题。

library(dplyr)
library(fuzzyjoin)

df1 %>%
  stringdist_left_join(df2, by=c(entry="fruit"), ignore_case=T, method="jw", distance_col="dist") %>%
  group_by(entry) %>%
  top_n(-1) %>%
  select(-dist)

输出是:

     id entry                   fruit      code
  <dbl> <fct>                   <fct>     <dbl>
1  1.00 Apple                   apple      11.0
2  2.00 I love apples           pineapple  13.0
3  3.00 appls                   apple      11.0
4  4.00 Bannanas                banana     12.0
5  5.00 banana                  banana     12.0
6  6.00 An apple a day keeps... apple      11.0

示例数据:

df1 <- data.frame(id = c(1, 2, 3, 4, 5, 6),
                  entry = c("Apple", "I love apples", "appls", "Bannanas", "banana", "An apple a day keeps..."))
df2 <- data.frame(fruit=c("apple", "banana", "pineapple"), code=c(11, 12, 13))