R - вернуть индексы строк для совпадения текста - PullRequest
Новая
       47

R - вернуть индексы строк для совпадения текста

0 голосов
/ 10 ноября 2018

Я пытаюсь найти n лучших совпадений некоторых текстовых строк, используя расстояние Левенштейна (adist в R). Следующий пример должен уточнить: 

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)

Далее рассчитывается расстояние редактирования, используя адрес и имя. 

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

Следующее возвращает пять лучших совпадений, каждое в столбце. 

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)

Я хотел бы сделать следующее:

  1. Для каждого столбца "top.name" и "top.ad" возвращать индекс строки, откуда пришло совпадение. (Я полагаю, что лучше использовать which и grepl, потому что я открыт для предложений.)
  2. Возвращает значение adist в другом столбце.

Желаемый результат для каждого столбца top.ad, top.nm, соответствующий столбец index.match и столбец distance, содержащий значение adist.

Например, индексы строк для top.name.1 равны c(7, 6, 4, 1).

Любая помощь будет высоко ценится. Спасибо.

ОБНОВЛЕНИЕ: я обнаружил, что следующий код предоставляет индекс строки для первого совпадения, но я хотел бы иметь возможность использовать векторы для x и y: 

find.index <- function(x, y) return(which(grepl(paste(x, collapse = "|"), y, fixed = F)))
vec <- find.index(source1$name, source2$name)

Как бы я вернул целый вектор?

...