我有一个包含商品类别和商品名称的 2 列 csv 文档。

前任:

Sl.No. Commodity Category Commodity Name
1      Stationary         Pencil
2      Stationary         Pen
3      Stationary         Marker
4      Office Utensils    Chair
5      Office Utensils    Drawer
6      Hardware           Monitor
7      Hardware           CPU

我还有另一个 csv 文件,其中包含各种商品名称。

前任:
Sl.No. Commodity Name
1      Pancil
2      Pencil-HB 02
3      Pencil-Apsara
4      Pancil-Nataraj
5      Pen-Parker
6      Pen-Reynolds
7      Monitor-X001RL

我想要的输出是对商品名称进行标准化和分类,并将它们分类为各自的商品类别,如下所示:
Sl.No. Commodity Name   Commodity Category
1      Pencil           Stationary
2      Pencil           Stationary
3      Pencil           Stationary
4      Pancil           Stationary
5      Pen              Stationary
6      Pen              Stationary
7      Monitor          Hardware

步骤 1)我首先必须使用 NLTK(文本挖掘方法)并清理数据,以便将 "Pencil"与 "Pencil-HB 02"分开。

步骤 2) 清洁后,我必须使用近似字符串匹配技术,即 agrep() 来匹配模式“Pencil *”或将“Pancil”更正为“Pencil”。

步骤 3)一旦纠正了模式,我就必须进行分类。不知道怎么做。

这是我想过的。我从第 2 步开始,但我只停留在第 2 步。
我没有找到对此进行编码的确切方法。
有没有办法根据需要获得输出?
如果是,请建议我可以继续使用的方法。

最佳答案

您可以使用 stringdist 包。下面的 correct 函数将根据项目到不同 Commodity.Name 的距离更正 file2 中的 CName

然后使用 left_join 连接两个表。

我还注意到,如果我使用 stringdistmatrix 的默认选项,会有一些分类。您可以尝试更改 weightstringdistmatrix 参数以获得更好的校正结果。

> library(dplyr)
> library(stringdist)
>
> file1 <- read.csv("/Users/Randy/Desktop/file1.csv")
> file2 <- read.csv("/Users/Randy/Desktop/file2.csv")
>
> head(file1)
  Sl.No. Commodity.Category Commodity.Name
1      1         Stationary         Pencil
2      2         Stationary            Pen
3      3         Stationary         Marker
4      4    Office Utensils          Chair
5      5    Office Utensils         Drawer
6      6           Hardware        Monitor
> head(file2)
  Sl.No. Commodity.Name
1      1         Pancil
2      2   Pencil-HB 02
3      3  Pencil-Apsara
4      4 Pancil-Nataraj
5      5     Pen-Parker
6      6   Pen-Reynolds
>
> CName <- levels(file1$Commodity.Name)
> correct <- function(x){
+     factor(sapply(x, function(z) CName[which.min(stringdistmatrix(z, CName, weight=c(1,0.1,1,1)))]), CName)
+ }
>
> correctedfile2 <- file2 %>%
+ transmute(Commodity.Name.Old = Commodity.Name, Commodity.Name = correct(Commodity.Name))
>
> correctedfile2 %>%
+ inner_join(file1[,-1], by="Commodity.Name")
  Commodity.Name.Old Commodity.Name Commodity.Category
1             Pancil         Pencil         Stationary
2       Pencil-HB 02         Pencil         Stationary
3      Pencil-Apsara         Pencil         Stationary
4     Pancil-Nataraj         Pencil         Stationary
5         Pen-Parker            Pen         Stationary
6       Pen-Reynolds            Pen         Stationary
7     Monitor-X001RL        Monitor           Hardware

如果您需要“其他”类别,您只需要使用权重。
我在文件 2 中添加了一行“柴油”。然后使用具有自定义权重的 stringdist 计算分数(您应该尝试改变值)。如果分数大于 2(该值与权重的分配方式有关),则不会纠正任何内容。

PS:因为我们不知道所有可能的标签,所以我们必须做 as.character 来对流 factorcharacter

PS2:我还使用 tolower 进行不区分大小写的评分。
> head(file2)
  Sl.No. Commodity.Name
1      1         Diesel
2      2         Pancil
3      3   Pencil-HB 02
4      4  Pencil-Apsara
5      5 Pancil-Nataraj
6      6     Pen-Parker
>
> CName <- levels(file1$Commodity.Name)
> CName.lower <- tolower(CName)
> correct_1 <- function(x){
+     scores = stringdistmatrix(tolower(x), CName.lower, weight=c(1,0.001,1,0.5))
+     if (min(scores)>2) {
+         return(x)
+     } else {
+         return(as.character(CName[which.min(scores)]))
+     }
+ }
> correct <- function(x) {
+     sapply(as.character(x), correct_1)
+ }
>
> correctedfile2 <- file2 %>%
+ transmute(Commodity.Name.Old = Commodity.Name, Commodity.Name = correct(Commodity.Name))
>
> file1$Commodity.Name = as.character(file1$Commodity.Name)
> correctedfile2 %>%
+ left_join(file1[,-1], by="Commodity.Name")
  Commodity.Name.Old Commodity.Name Commodity.Category
1             Diesel         Diesel               <NA>
2             Pancil         Pencil         Stationary
3       Pencil-HB 02         Pencil         Stationary
4      Pencil-Apsara         Pencil         Stationary
5     Pancil-Nataraj         Pencil         Stationary
6         Pen-Parker            Pen         Stationary
7       Pen-Reynolds            Pen         Stationary
8     Monitor-X001RL        Monitor           Hardware

关于r - 哪个 R 函数用于文本自动更正?,我们在Stack Overflow上找到一个类似的问题:https://stackoverflow.com/questions/29814263/

10-12 20:45