¿Cómo se mide la similitud entre cadenas?

Question

Tengo un montón de nombres, y quiero obtener los nombres únicos. Sin embargo, debido a errores ortográficos e inconsistencias en los datos, los nombres pueden escribirse incorrectamente. Estoy buscando una forma de verificar un vector de cadenas si dos de ellas son similares.

Por ejemplo:

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

Quiero encontrar que " Obama, B." y "Obama, B.H." son muy similares. ¿Hay alguna forma de hacer esto?

Answer 1

Esto se puede hacer en función de, por ejemplo, la distancia Levenshtein. Hay múltiples implementaciones de esto en diferentes paquetes. Algunas soluciones y paquetes se pueden encontrar en las respuestas de las siguientes preguntas:

• agrep: only return best match(es)
• In R, how do I replace a string that contains a certain pattern with another string?
• Fast Levenshtein distance in R?

Pero más a menudo agrep va a hacer lo que quiere:

> 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 

Answer 2

Tal vez agrep es wha t quieres? Busca coincidencias aproximadas usando la distancia de edición de Levenshtein.

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."