regex - 如何衡量字符串之间的相似性？

我有一堆名字，我想获得唯一的名字。但是，由于拼写错误和数据不一致，名称可能会写错。我正在寻找一种方法来检查字符串 vector 中是否有两个是相似的。

例如:

pres <- c(" Obama, B.","Bush, G.W.","Obama, B.H.","Clinton, W.J.")

我想发现" Obama, B."和"Obama, B.H."非常相似。有没有办法做到这一点？

最佳答案

这可以基于例如Levenshtein距离来完成。在不同的程序包中有多种实现。在以下问题的答案中可以找到一些解决方案和软件包:

agrep: only return best match(es)

In R, how do I replace a string that contains a certain pattern with another string?

Fast Levenshtein distance in R?

但是，大多数时候agrep会做你想要的:

> sapply(pres,agrep,pres)
$` Obama, B.`
[1] 1 3

$`Bush, G.W.`
[1] 2

$`Obama, B.H.`
[1] 1 3

$`Clinton, W.J.`
[1] 4