Нечеткое сопоставление со строками, содержащими числа - PullRequest
Новая
       103

Нечеткое сопоставление со строками, содержащими числа

1 голос
/ 04 февраля 2020

Я пробую приблизительные совпадения между эталонной и целевой строками.

Я пробовал adist и stringdist в R с различными доступными расстояниями.

Хотя алгоритмы хорошо справляются с задачей сопоставляя строки только с алфавитами, он не соответствует строкам, в которых присутствуют цифры и специальные символы (%, et c).

Как можно обработать этот случай?

мой код. 

library(stringdist)

dist.name <- outer(tolower(WW_name),tolower(Px_name),
                   stringdist::stringdist, method = "lcs")

# We now take the pairs with the minimum distance
min.name<-apply(dist.name, 1, min)

match.s1.s2<-NULL

chk <- function(x){
  s2.i<-match(min.name[x],dist.name[x,])
  s1.i<-x
  match.s1.s2<-rbind(data.frame(s2.i=s2.i,s1.i=s1.i,WWname=WW_lookup[s1.i],
                                Pxname=Px_lookup[s2.i],
                                adist=min.name[x]),match.s1.s2)
  return(match.s1.s2)
}

outDf <- lapply(1:nrow(dist.name),FUN = chk)

outDf <- do.call(rbind.data.frame, outDf)

Примеры, где соответствие не прямо ниже -

enter image description here

Pxname совпадает с алгоритм | MappedPxName отображается вручную

Будем благодарны за любые предложения.

1 Ответ

0 голосов
/ 04 февраля 2020

Вот моя попытка. Поскольку вы не можете делиться своими данными, то, что я могу для вас сделать, ограничено. Но я надеюсь, что следующее поможет вам в какой-то мере. Я думаю, что проблема здесь состоит в том, чтобы преобразовать числа в письменные числа. Это то, что мы можем решить с помощью пакета engli sh. Я создал два вектора (т.е. WWname и PXname). Я также создал свою собственную функцию под названием myfun. Это обрабатывает некоторые операции со строками, такие как преобразование% в проценты и преобразование чисел в записанные числа. Я использовал эту функцию и создал два фрейма данных (т. Е. Ww и px). 

library(tidyverse)
library(english)
library(stringi)
library(stringdist)

WWname <- c("Excellence Dark 85% Cocoa 100g", "Excellence Dark 78% COCOA 100G",
            "ZDEL Excellence Dark 85% Cocoa 100g", "Excellence Dark 50% Cocoa 100g")

PXname <- c("Excellence Dark 85% Cocoa 100g", "Excellence Dark 80% Cocoa 200g",
            "ZDEL Excellence Dark 80% Cocoa 100g", "ZDEL Excellence Dark 85% Cocoa 100g",
            "ZDEL Excellence Dark 78% Cocoa 100g", "Excellence Dark 78% Cocoa 100g",
            "Excellence Dark 50% Cocoa 100g")

myfun <- function(myvec) {

  sub(x = myvec, pattern = "%", replacement = " percent") %>%
  sub(pattern = "(?<=[0-9])g|G", replacement = " grams", perl = T) %>%
  tolower %>% 
  stri_split_regex(pattern = "\\s") %>% 
  enframe %>% 
  unnest(value) %>% 
  mutate(word = if_else(grepl(x = value, pattern = "[0-9]+"),
                        as.character(english(as.numeric(value))),
                        value)) %>% 
  group_by(name) %>% 
  summarize(string = paste0(word, collapse = " ")) -> out
  return(out)
}

# Convert numbers to alphabets abd create new strings.

ww <- myfun(myvec = WWname)
px <- myfun(myvec = PXname)

# Calculate distance.
mymat <- stringdistmatrix(a = ww$string, b = px$string, method = "lcs")

rownames(mymat) <- WWname
colnames(mymat) <- PXname

# Check if there is any non-match.
mymat %>%
as.data.frame(stringsAsFactors = F) %>%
rownames_to_column(var = "WWname") %>%
pivot_longer(cols = -WWname, names_to = "PXname", values_to = "ranking") %>% 
group_by(WWname) %>%
mutate(check = if_else(any(ranking == 0),
                       TRUE,
                       FALSE)) -> out

Теперь мы проверяем соответствующие шаблоны. 

filter(out, check == TRUE) %>%
slice(which.min(ranking))

  WWname                              PXname                              ranking check
  <chr>                               <chr>                                 <dbl> <lgl>
1 Excellence Dark 50% Cocoa 100g      Excellence Dark 50% Cocoa 100g            0 TRUE 
2 Excellence Dark 78% COCOA 100G      Excellence Dark 78% Cocoa 100g            0 TRUE 
3 Excellence Dark 85% Cocoa 100g      Excellence Dark 85% Cocoa 100g            0 TRUE 
4 ZDEL Excellence Dark 85% Cocoa 100g ZDEL Excellence Dark 85% Cocoa 100g       0 TRUE

Если мы хотим проверить несоответствие, мы можем сделать следующее. Это вернет кратчайшее несоответствие. В этом случае совпадения нет. 

filter(out, check == FALSE) %>%
slice(which.min(ranking))
...