单个列表中的近似字符串匹配 - r

我在一个长列表中包含数千个名字的数据框中列出了一个列表。许多名称都有细微的差别，这使得它们略有不同。我想找到一种方法来匹配这些名字。例如：

names <- c('jon smith','jon, smith','Jon Smith','jon smith et al','bob seger','bob, seger','bobby seger','bob seger jr.')

我看过amatch in the stringdist函数，以及agrep，但这些都需要一个主名单 https://stackoverflow.com/questions/5721883/agrep-only-return-best-matches用于匹配另一个名称列表。就我而言，我没有这样的主列表，因此我想通过识别具有高度相似模式的名称来从数据中创建一个主列表，这样我就可以查看它们并确定他们是否是同一个人（在许多情况下）情况就是如此）。我想要一个新列中的输出，帮助我知道这些是可能的匹配，并且可能是基于编辑距离或其他东西的某种相似性分数。也许是这样的：

            names   match      SimilarityScore
1       jon smith     a               9
2      jon, smith     a               8
3       Jon Smith     a               9
4 jon smith et al     a               5
5       bob seger     b               9
6      bob, seger     b               8
7     bobby seger     b               7
8   bob seger jr.     b               5

这样的事情可能吗？

根据发现的帖子here https://stackoverflow.com/questions/21511801/text-clustering-with-levenshtein-distances/21513338#21513338我发现分层文本聚类可以满足我的需求。

  names <- c('jon smith','jon, smith','Jon Smith','jon smith et al','bob seger','bob, seger','bobby seger','bob seger jr.','jake','jakey','jack','jakeyfied')

# Levenshtein Distance
e  <- adist(names)
rownames(e) <- names
hc <- hclust(as.dist(e))
plot(hc)
rect.hclust(hc,k=3) #the k value provides the number of clusters
df <- data.frame(names,cutree(hc,k=3))

如果您选择正确数量的簇（本例中为三个），输出看起来非常好：

                       names             cutree.hc..k...3.
jon smith             jon smith                 1
jon, smith           jon, smith                 1
Jon Smith             Jon Smith                 1
jon smith et al jon smith et al                 1
bob seger             bob seger                 2
bob, seger           bob, seger                 2
bobby seger         bobby seger                 2
bob seger jr.     bob seger jr.                 2
jake                       jake                 3
jakey                     jakey                 3
jack                       jack                 3
jakeyfied             jakeyfied                 3

然而，名字往往比这更复杂，在添加了一些更难的名字后，我发现默认的adist选项没有给出最佳的聚类：

names <- c('jon smith','jon, smith','Jon Smith','jon smith et al','bob seger','bob, seger','bobby seger','bob seger jr.','jake','jakey','jack','jakeyfied','1234 ranch','5678 ranch','9983','7777')

d  <- adist(names)
rownames(d) <- names
hc <- hclust(as.dist(d))
plot(hc)
rect.hclust(hc,k=6)

我能够通过将替换值的成本增加到 2 并将插入和删除成本保留为 1 并忽略大小写来对此进行改进。这有助于最大限度地减少完全不同的四个字符数字字符串的错误分组，而我不想将其分组：

d  <- adist(names,ignore.case=TRUE, costs=c(i=1,d=1,s=2)) #i=insertion, d=deletion s=substitution
rownames(d) <- names
hc <- hclust(as.dist(d))
plot(hc)
rect.hclust(hc,k=6

我通过使用以下命令删除“牧场”和“等人”等常用术语来进一步微调聚类gsub工具在grep打包并将簇数加一：

names<-gsub("ranch","",names)
names<-gsub("et al","",names)
d  <- adist(names,ignore.case=TRUE, costs=c(i=1,d=1,s=2))
rownames(d) <- names
hc <- hclust(as.dist(d))
plot(hc)
rect.hclust(hc,k=7)

虽然有方法可以让数据整理出最佳的簇数，而不是手动尝试挑选数字，但我发现使用试错法是最简单的，虽然有资料关于这种方法 https://stackoverflow.com/a/15376462/1203041.