使用R

Question

我的列x包含字符串ABN-AMRO-NV/SUNTRUST-BK/WACHOVIA和列y，其中包含字符串SunTrust Banks。如您所见，列x有三个字符串，由正斜杠分隔。因此，我必须使用strsplit进行拆分，以便在模糊匹配之前分离字符串。为了进行模糊匹配，我尝试了stringdist，adist，agrep等软件包。但是我没有达到预期的效果。

那么，什么应该是解决我的匹配问题的好方法？如何处理这个匹配问题才能获得好结果？正如您在示例中看到的那样，SunTrust Banks与单词SUNTRUST-BK匹配，这是我期望的结果，使用模糊匹配。

另外，为了提供注释，我在x列和y列中的字符串会有很大不同。例如，列x中的字符串有时没有正斜杠，意味着只有一个字符串。

感谢大家的帮助和指导。

Answer 1

看看下面的例子。我刚刚使用了一种随机匹配方法（在这种情况下是JaroWinkler）。

library(stringdist)

fuzzy_select<-function(name_vec,name){
  Filter(function(x) ain(x, name, maxDist=.7, method="jw"), 
         strsplit(name_vec, "/")[[1]])
}

fuzzy_select("ABN-AMRO-NV/SUNTRUST-BK/WACHOVIA", "SunTrust Banks")

如您所见，maxDist必须非常高才能找到SUNTRUST-BK和SunTrust Banks之间的匹配项。您可能希望在匹配之前进行一些预处理（例如，转换为小写，删除标点符号）。