在R中的变量中查找类似的单词

Question

假设我有一个包含以下单词的变量

ChicKen120
Chicken1.20
Chicken(1.20)
Cow
cow.
cow/
cat

1. 如何找到仅相差一两个字符的相似单词？

我意识到我可以 grep("chicken", df$words, ignore.case=T)找到所有类似于鸡的单词,但是通过每个单词运行它会很繁琐,即第一只鸡,然后是牛,然后是猫......

有没有办法在整列中找到相似的单词？

2. 我想将类似的单词转换为一种标准格式,

   chicken(1.20)
   chicken(1.20)
   chicken(1.20)
   cow
   cow
   cow
   cat
   

Answer 1

关于您的第一个问题,您可以尝试adist():

text <- c("ChicKen120","Chicken1.20","Chicken(1.20)","Cow","cow.", "cow/")
> adist(text)
#     [,1] [,2] [,3] [,4] [,5] [,6]
#[1,]    0    2    4    9    9    9
#[2,]    2    0    2   10    9   10
#[3,]    4    2    0   12   11   12
#[4,]    9   10   12    0    2    2
#[5,]    9    9   11    2    0    1
#[6,]    9   10   12    2    1    0

具有2个或更少连接对的六个字的矩阵元素,最多相差2个字符.

更具体地说,可以列出不相同且最多相差两个字符的单词对:

which(adist(text)<=2 & upper.tri(adist(text)), arr.ind=T)     
#     row col
#[1,]   1   2
#[2,]   2   3
#[3,]   4   5
#[4,]   4   6
#[5,]   5   6

这里逻辑函数upper.tri()仅用于选择矩阵的上三角形,从而防止对的双输出(即,以相反的顺序重复)并去除对角线上的相同对.

对应于上面列出的行号和列号的单词可以像这样检索:

words <- text[which(adist(text)<=2 & upper.tri(adist(text)), arr.ind=T)]
matrix(words,ncol=2)
#     [,1]          [,2]           
#[1,] "ChicKen120"  "Chicken1.20"  
#[2,] "Chicken1.20" "Chicken(1.20)"
#[3,] "Cow"         "cow."         
#[4,] "Cow"         "cow/"         
#[5,] "cow."        "cow/"