サブセットは、levenshtein距離を含むためにgrepを使用していますか？

Question

私はそうのように、私は一致したい長さの異なる2つの文字のベクトルを持つ2つのデータフレーム、持っている：私は要素を含むベクトルを返し、company.aにcompany.bを比較したいと思います

company.a <- c("heinz", "hawkings mcgill", "heinz ketchup", "heinz vinegars", "davis and smith", "dell computers", "dell", "O organics", "organics") 

company.b <- c("heinz", "hawkings-mcgill", "oyster bay", "company x", "dell") 

をcompany.aにマッチしたcompany.bから。私はしかし、私がリターンで取得することは論理的でなければならない「サブセット」を示すエラーです

に大きなフレームのサブセットには、次のコードを使用して

match.comp <- subset(company.a, grep(paste(company.b, collapse = "|"), company.a, value = TRUE)). 

を試してみました。次の結果が欲しいです：

match <- c("heinz", "hawkings mcgill", "heinz", "heinz", "FALSE", "dell", "dell", FALSE, FALSE) 

エラーが発生した場合、明らかに私はgrepまたはサブセットについて何か不足しています。私は2つの質問があります：

1. これを行うにはgrepが最適ですか？それとも別の方法がありますか？私は（A％in％B）アプローチを使って正確に一致することを知っていますが、文字列が完全に一致するとは保証できません。

2. Grepは最初の試合を返しますが、例えばlevenshtein distanceで考えられた可能性のある試合をすべて抽出する方法がありますか？私はutilsパッケージ内のadist機能を認識していますが、grepと組み合わせることができるかどうかを知りたいのです。

何か助けやアドバイスをいただければ幸いです。ありがとう。

Answer 1

adistまたはagrepを使用できますが、コストとカットオフポイントは非常に主観的です。この場合、希望結果は

d <- adist(company.b, company.a, partial = TRUE) 
d <- apply(d, 2, prop.table) # working with proportions instead of costs can be useful 

matches <- apply(d, 2, function(x){ 
    x <- setNames(x, company.b) 
    names(which.min(x[x < 0.05])) # set cutoff carefully 
}) 
matches <- sapply(matches, function(x){ifelse(is.null(x), NA, x)}) # clean out NULLs 

matches 
## [1] "heinz"   "hawkings-mcgill" "heinz"   "heinz"   NA    
## [6] "dell"   "dell"   NA    NA  

Answer 2

これは部分的にあなたの要件を満たすことがあります

library(utils) 

company.a <- c("heinz", "hawkings mcgill", "heinz ketchup", "heinz vinegars", "davis and smith", "dell computers", "dell", "O organics", "organics") 
company.b <- c("heinz", "hawkings-mcgill", "oyster bay", "company x", "dell") 

limit <- 2 

res <- sapply(company.a, function(wa) { 
    d <- sapply(company.b, function(wb){ 
     adist(wb, wa) 
    }) 
    d <- d[d<=limit] 
    names(d) 
}) 

上記のコードは、最初の配列内の各単語に、二番目の配列内のすべての一致を抽出します。ここでは、Levenshteinの距離が「極限」であれば、2つの単語が一致します。

上記の一致の一部は、このような単純なものではありません。たとえば、 "heinz"が "heinz ketchup"に一致しなければならない場合、これにはLevenshteinの距離制限8が必要です。これは一般的には高すぎます。これらの場合に対処するために、より複雑な距離関数を構築する必要があります。