R - вернуть n совпадений через расстояние Левенштейна - PullRequest
Новая
       35

R - вернуть n совпадений через расстояние Левенштейна

0 голосов
/ 03 ноября 2018

Я хотел бы найти n лучших совпадений с данной строкой через расстояние Левенштейна. Я знаю, что функция adist в R дает минимальное расстояние, но я пытаюсь масштабировать число результатов, скажем, до 10. У меня есть код ниже. 

name <- c("holiday inn", "geico", "zgf", "morton phillips")
address <- c("400 lafayette pl tupelo ms", "227 geico plaza chevy chase md", 
     "811 quincy st washington dc", "1911 1st st rockville md")

source1 <- data.frame(name, address)

name <- c("williams sonoma", "mamas bbq", "davis polk", "hop a long diner",
  "joes crag shack", "mike lowry place", "holiday inn", "zummer")

name2 <- c(NA, NA, NA, NA, NA, NA, "hi express", "zummer gunsul frasca")
address <- c("2 reads way new castle de", "248 w 4th st newark de",
     "1100 21st st nw washington dc", "1804 w 5th st wilmington de",
     "1208 kenwood parkway holdridge nb", "4203 ocean drive miami fl",
     "400 lafayette pl tupelo ms", "811 quincy st washington dc")
source2 <- data.frame(name, name2, address)

dist.mat.nm <- adist(source1$name, source2$name, partial = T, ignore.case = TRUE)

dist.mat.ad <- adist(source1$address.full, source2$address.full, partial = TRUE, ignore.case = TRUE)
dist.mat <- ifelse(is.na(dist.mat.nm), dist.mat.ad, dist.mat.nm)
dist.mat2 <- ifelse(is.na(dist.mat.ad), dist.mat.nm, dist.mat.ad)
which.match <- function(x, nm) return(nm[which(x == min(x))[1]])
which.index <- function(x, nm) return(which(x == min(x))[1])

source2.matches.name <- apply(dist.mat, 1, which.match, nm = source2$name)
source2.name.index <- apply(dist.mat, 1, which.index, nm = 
source2$names[source2.matches.name])

Желаемый результат - это фрейм данных, содержащий source1$name и столбцы для 5 лучших совпадений, основанных на левом расстоянии с использованием adist, а также source1$address и его 5 лучших совпадений. Возможно, что-то, используя top_n из dplyr? Если что-то неясно, дайте мне знать. Буду признателен за любую оказанную помощь. Благодаря.

1 Ответ

0 голосов
/ 03 ноября 2018

Если я понимаю вопрос, следующее делает то, что вы хотите.
Сначала я перезапущу строку кода, которая создает dist.mat.ad, поскольку в вашем коде произошла ошибка, он ссылается на столбцы address.full, когда они называются address. 

dist.mat.ad <- adist(source1$address, source2$address, partial = TRUE, ignore.case = TRUE)

Теперь результаты, которые вы хотите. 

imat <- apply(dist.mat.nm, 1, order)[1:5, ]
top.nm <- data.frame(name = source1$name)
tmp <- apply(imat, 1, function(i) source2$name[i])
colnames(tmp) <- paste("top", 1:5, sep = ".")
top.nm <- cbind(top.nm, tmp)

imat <- apply(dist.mat.ad, 1, order)[1:5, ]
top.ad <- data.frame(address = source1$address)
tmp <- apply(imat, 1, function(i) source2$address[i])
colnames(tmp) <- paste("top", 1:5, sep = ".")
top.ad <- cbind(top.ad, tmp)

Результаты в top.nm и top.ad.
Финальная уборка. 

rm(imat, tmp)
...