代码之家 › 专栏 › 技术社区 › Shubh

如何在R中进行近似匹配并替换为正确的单词?

text-mining r

Shubh · 技术社区 · 8 年前

list1 <- c("prmum","prum","primium","prm","prim","primum","prem","premum",
           "wrng","wng",
           "hug","hung",
           "amut",
           "chq","chquked","cheuq","chek","cheq",
           "cus","cust",
           "cbk","cb",
           "ringirng","rining","rigirigi")


list2 <- c("premium","wrong","hang","amount","cheque","customer","callback","ringing")
dat <- as.data.frame(list1)
for(i in length(list1)){
t <- agrep(list1[i],list2,value=FALSE)
 dat[t] <- list2[i]
}

我有两个列表,一个有错误的单词,另一个有正确的单词。我正在尝试执行以下操作:

1) 记下第一个单词。
2) 从正确的单词列表中进行近似匹配并获取索引位置。
3) 在该特定位置用正确的单词替换错误的单词在数据帧或列表中。

1 回复 | 直到 6 年前

AshOfFire 8 年前

您可以使用 stringdistmatrix 来自程序包 stringdist .它像agrep一样使用Levenshtein距离。找到最匹配的单词,并将其替换到原始列表中。

 library(stringdist)
 dist_mat <- stringdistmatrix(list1, list2)
 clean_list1 <- list2[apply(dist_mat, 1, which.min)]
 clean_list1

现在,如果您有很长的列表(假设它们的长度为l1和l2,您将得到大小为l1*l2的矩阵),那么这种解决方案可能不合适。您可能需要进行循环以减少内存消耗。

clean_list1 <- list1
for (i in length(list1)){
     dist_vect <- stringdistmatrix(list1[i],list2)
     clean_list1 <- list2[which.min(dist_vect)]
}

推荐文章

Amp · 使用R ggplot2删除geom_radial中axis.line和panel.border之间的空格

1 年前

Hard_Course · 用另一列中的值替换行的最后一个非NA条目

1 年前

Mark R · 使用geom_sf()删除地球仪上不需要的网格线

1 年前

Joe · 根据对工作日和本周早些时候的日期的了解,找到一个日期

1 年前

Ben · 统计向量中的单词在字符串中出现的频率

1 年前

TheCodeNovice · R中符号格式的尾随零和其他问题[重复]

1 年前

katefull06 · 在R中使用terra修改范围时,会为单独的SpatRaster重写范围

1 年前

dez93_2000 · 在R管道子功能中引用管道对象的当前状态

1 年前

accibio · 在ggplot2中为同一变量创建两个连续的颜色渐变比例

1 年前

Mankka · 如何在Ggplot2中绘制均匀的径向图

1 年前