Coincidencia de cadena imperfecta

Question

Supongamos que tengo dos columnas de nombres. Todos los nombres en la primera columna están en la segunda columna, pero en orden aleatorio, Y algunos de ellos no son coincidencias perfectas. Así que tal vez en una columna hay el nombre de John Smith y en el segundo John_smith o JonSmith. ¿Hay alguna manera R bastante simple de realizar un "mejor partido"?

Answer 1

dado algunos datos de la siguiente manera:

df<-data.frame(x=c('john doe','john smith','sally struthers'),y=c('John Smith','John_smith','JonSmith')) 

, usted puede obtener un largo camino con unos gsub s y tolower:

df$y.fix <- gsub('[[:punct:]]', ' ', df$y) 
df$y.fix <- gsub(' ', '', df$y.fix) 
df$y.fix <- tolower(df$y.fix) 
df$x.fix <- tolower(gsub(' ', '', df$x)) 

Entonces agrep es lo que usted quiere:

> agrep(df$x.fix[2], df$y.fix) 
[1] 1 2 3 

para cadenas confusas más complejas, consulte this post from last week.