使用agrep（）进行模糊字符串匹配

Question

我将公司名称列表与R和agrep（）进行自我匹配，因为数据在旧版系统中存储错误-没有第4个正常格式，公司与客户记录在同一级别，这意味着要为每个新客户都会为一个公司带来很多不同的公司名称-在很多情况下都可以正常工作。

有时，尤其是对于短字符串，我会（至少对我而言）会感到奇怪的匹配（例如，ABC是第一个公司名称）：

ABC ABAXIS Europe GmbH

ABC ABB Europe

ABC ABB Group

ABC ABB Stotz Kontakt GmbH

ABC ABM Financial News

ABC ABN AMRO Bank NV

ABC AC Klöser GmbH

ABC ACCBank

ABC ACEA S.p.A.

我正在使用带有以下参数的agrep() ：

agrep(vector1, vector2, value = TRUE, ignore.case = FALSE, max.distance = 0.01)

除了调整agrep()的最大距离之外，还有其他方法吗？

提前致谢

Answer 1

对于类似的问题，我使用了本文描述的第二种方法： http : //bigdata-doctor.com/fuzzy-string-matching-survival-skill-tackle-unstructured-information-r/#comment-942

它使每个寄存器与最相似的寄存器匹配，如果存在一些误报，这当然不是最佳选择。

此外，您可能会发现此功能对删除名称前后的空格很有用：

  trim <- function (x) gsub("^\\s+|\\s+$", "", x) #Defining function that returns string w/o leading or trailing whitespace

我还使用了“ tm”包中的removewords（）函数。 在您的情况下，删除“ ABC”可能会有用。