如何测量字符串之间的相似性？

这可以基于例如Levenshtein距离来完成。在不同的包中，有多种实现。可以在这些问题的答案中找到一些解决方案和软件包：

• agrep：仅返回最佳匹配项
• 在 R 中，如何将包含特定模式的字符串替换为另一个字符串？
• R中的快速Levenshtein距离？

但大多数情况下会做你想做的事：agrep

> sapply(pres,agrep,pres)
$` Obama, B.`
[1] 1 3

$`Bush, G.W.`
[1] 2

$`Obama, B.H.`
[1] 1 3

$`Clinton, W.J.`
[1] 4

也许这就是你想要的？它使用 Levenshtein 编辑距离搜索近似匹配项。agrep

lapply(pres, agrep, pres, value = TRUE)

[[1]]
[1] " Obama, B."  "Obama, B.H."

[[2]]
[1] "Bush, G.W."

[[3]]
[1] " Obama, B."  "Obama, B.H."

[[4]]
[1] "Clinton, W.J."

添加另一个副本以显示它适用于多个副本。

pres <- c(" Obama, B.","Bush, G.W.","Obama, B.H.","Clinton, W.J.", "Bush, G.")

adist 显示 2 个字符向量之间的字符串距离

adist(" Obama, B.", pres)
#      [,1] [,2] [,3] [,4] [,5]
# [1,]    0    9    3   10    7

例如，要选择离您最近的字符串，可以采用距离最小的字符串。为了避免相同的字符串，我只取了大于零的距离：" Obama, B."

d <- adist(" Obama, B.", pres)
pres[min(d[d>0])]
# [1] "Obama, B.H."

若要获取唯一名称，请考虑拼写错误和不一致，可以将每个字符串与所有以前的字符串进行比较。然后，如果有类似的，请将其删除。我创建了一个执行此操作的函数。 然后依次应用于向量的所有元素。keepunique()keepunique()Reduce()

keepunique <-  function(previousones, x){
    if(any(adist(x, previousones)<5)){
        x <- NULL
    }
    return(c(previousones, x))
}
Reduce(keepunique, pres)
# [1] " Obama, B."    "Bush, G.W."    "Clinton, W.J."