regex - r stringdist 或 levenshtein.distance 来替换字符串

我有一个包含大约一百万个观察值的大型数据集，以定义的观察类型为键。在数据集中，大约有 900,000 个观测值具有畸形的观测值类型，其中 50 个可接受的观测值类型有约 850 个(不正确的)变化。

keys <- c("DAY", "EVENING","SUNSET", "DUSK","NIGHT", "MIDNIGHT", "TWILIGHT", "DAWN","SUNRISE", "MORNING")

entries <- c("Day", "day", "SUNSET/DUSK", "DAYS", "dayy", "EVEN", "Evening", "early dusk", "late day", "nite", "red dawn", "Evening Sunset", "mid-night", "midnight", "midnite","DAY", "EVENING","SUNSET", "DUSK","NIGHT", "MIDNIGHT", "TWILIGHT", "DAWN","SUNRISE", "MORNING")

使用 gsub 类似于用手铲挖地下室，在我自己的情况下，是一把坏掉的铲子，因为我对 r 和复杂的正则表达式非常陌生。简单的回退(对我来说)是为每个接受的观察类型编写一个 gsub 语句，但这似乎不必要地繁琐，因为它需要 50 个语句。

我想使用 levenshtein.distance 或 stringdist 用最短距离字符串替换违规条目。运行 z <- for (i in length(y)) { z[i] = levenshtein.distance(y[i], x)} 不起作用，因为它试图将 (length(x)) 结果传递给每个 y[i]。

如何以最小距离返回结果？我已经看到 function(x) x[2] 返回系列中的第二个结果，但是如何获得最低的结果？

最佳答案

你可以试试:

library(stringdist)
m <- stringdistmatrix(entries, keys, method = "lv")
a <- keys[apply(m, 1, which.min)]

如果您想尝试不同的算法，请查看 ?'stringdist-metrics'
或者按照@RHertel 在评论中提到的:

b <- keys[apply(adist(entries, keys), 1, which.min)]

来自 adist() 文档:



这两种方法产生相同的结果:

> identical(a, b)
#[1] TRUE

关于regex - r stringdist 或 levenshtein.distance 来替换字符串，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/33284322/