模糊地址匹配R

是的，以前有人问过这个问题，但我找不到一个线程可以为这个问题提供简单、干净的答案。

我有下面的示例数据 - 我有两列，col1 是当前地址，col2 是我被告知比当前地址“更好”的地址。我需要看看第二列比第一列“好”多少。大多数时候，第二个更好，因为它包含第一个缺少的次要信息，例如公寓号码。

test <- as.data.frame(matrix(c(
"742 Evergreen Terrace" , "742 Evergreen Terrace Apt 3" , 
"31 Spooner Street #42" , "31 Spooner Street", 
"129 W 81st Street" , "129 W 81st Street Apt 5A" , 
"245 E 73rd Street", "245 E 73rd Street Apt 6") , ncol=2, byrow=TRUE, 
dimnames=list(NULL, c("old_addr" , "new_addr"))) ,stringsAsFactors=FALSE)

我在这里找到了一个接近我想要的答案：模糊匹配一列中的行与下一列中的相同行

我需要创建第三列，它是一个简单的 1/0 变量，如果近似匹配则为 == 1，否则为 0。我需要能够指定近似匹配的阈值。

对于我的第一个示例 - 742 Evergreen Terrace 与 742 Evergreen Terrace Apt 3，长度相差 6。我需要能够指定六、八或其他的长度差。

我查看了 agrep，但我需要比较同一行中的两列数据，但它不允许这样做。我也尝试过 lapply，但它的结果让我认为它正在循环遍历整个列中的所有数据，并且我需要逐行比较。另外，最大距离我不明白，下面的 ifelse 和最大值为 1（如果我正确理解为 1 == 可以有一个编辑或更改单位），它应该抛出错误，但它只在一个中出现案件。

agrep(test$old_addr, test$new_addr, max.distance = 0.1, ignore.case = TRUE)

test$fuzz_match <- lapply(test$old_addr , agrep , x = 
test$new_addr , max.distance = 1 , ignore.case = TRUE)

任何帮助表示感谢，谢谢！

您可以计算编辑距离每对之间。然后你需要决定的是距离必须有多大才能使两个地址不是同一个地址。

test$lev_dist <- mapply(adist, test$old_addr, test$new_addr)

test$same_addr <- test$lev_dist < 5

test
#                old_addr                    new_addr lev_dist same_addr
# 1 742 Evergreen Terrace 742 Evergreen Terrace Apt 3        6     FALSE
# 2 31 Spooner Street #42           31 Spooner Street        4      TRUE
# 3     129 W 81st Street    129 W 81st Street Apt 5A        7     FALSE
# 4     245 E 73rd Street     245 E 73rd Street Apt 6        6     FALSE

您可以使用agrep()和...一起mapply()以类似的方式。

test$agrep_match <- mapply(agrep, test$old_addr, test$new_addr)
test$agrep_match <- lengths(test$agrep_match) == 1
test
#                old_addr                    new_addr agrep_match
# 1 742 Evergreen Terrace 742 Evergreen Terrace Apt 3        TRUE
# 2 31 Spooner Street #42           31 Spooner Street       FALSE
# 3     129 W 81st Street    129 W 81st Street Apt 5A        TRUE
# 4     245 E 73rd Street     245 E 73rd Street Apt 6        TRUE

agrep()也基于 Levenshtein 距离，但有很多不同的选项用于调整阈值，我相信您已经发现了。

除了 Levenshtein 之外，还有其他差异度量可能更适合此应用程序。包裹stringdist还有许多其他可用的字符串距离度量。