正则表达式 – 比较字符串向量和量化差异

发布时间：2020-12-14 06:06:18 所属栏目：百科来源：网络整理

导读：想法是比较两个字符串向量,例如： df - data.frame(a = c("New York 001","Orlando 002","Boston 003","Chicago 004","Atlanta 005"),b = c("NEW YORK 001","Orlando","Boston (003)","Chicago 005","005 Atlanta")) 并想出一种方法来给他们一些精确度.基本

想法是比较两个字符串向量,例如：

df <- data.frame(a = c("New York 001","Orlando 002","Boston 003","Chicago 004","Atlanta 005"),b = c("NEW YORK  001","Orlando","Boston (003)","Chicago 005","005 Atlanta"))

并想出一种方法来给他们一些精确度.基本上添加具有数值的列c.

我的思路：

我们有这个：

> df
             a             b
1 New York 001 NEW YORK  001
2  Orlando 002       Orlando
3   Boston 003  Boston (003)
4  Chicago 004   Chicago 005
5  Atlanta 005   005 Atlanta

第一件事是第一件事 – 剥离白人,忽略案件并删除所有特殊字符.

df$a <- gsub("[[:space:]]|[[:punct:]]","",toupper(df$a))
df$b <- gsub("[[:space:]]|[[:punct:]]",toupper(df$b))

我们得到了什么：

> df
           a          b
1 NEWYORK001 NEWYORK001
2 ORLANDO002    ORLANDO
3  BOSTON003  BOSTON003
4 CHICAGO004 CHICAGO005
5 ATLANTA005 005ATLANTA

所以现在我们处于问题的核心.

第一行将是100％匹配.
第二行有7个匹配字符,最多10个字符.因此70％.
第三名现在比赛为100％.
第四名有90％的比赛.
第五个是棘手的.人类的头脑告诉我他们匹配,但订单有问题.但这不是计算机的工作原理.实际上它可以被测量为70％匹配,因为在两个字符串中重复7个连续字符.

所以问题是：

如何对字符串比较进行定量测量？

也许有一种更好的方法可以做到这一点,因为我从未有过比较部分匹配的字符串集的经验.并且采用这种特殊的可量化措施只是我直观的做事方式.
如果R已经有一个库/函数以更好的方式完成所有这些,我根本不知道,我不会感到惊讶.

解决方法

Rcpp更正确的答案：

library(Rcpp)

cppFunction('NumericVector commonChars(CharacterVector x,CharacterVector y) {
  int len = x.size();
  NumericVector out(len);
  double percentage;

  int count=0,k=0;
  std::string compared;
  std::string source;

  for (int i=0; i<len;++i) {
    source = x[i];
    compared = y[i];
    count=0;
    k=0;

    for (int j=0;j<compared.length();j++) {
      if (source[j] == compared[j]) { count++; continue; }

      while(k < source.length()) {
        if (source[j] == compared[k]) { count++; break; }
        k++;
      }
    }
    percentage = (count+0.0)/(source.length()+0.0);
    out[i] = percentage;
  }
  return out;
}')

赠送：

> commonChars(df$a,df$b)
[1] 1.0 0.7 1.0 0.9 0.7

我没有针对其他答案或大数据框架进行测试.

不是你真正想要的,但这是一个想法(我会尝试改进它)：

df$r <- gsub("w","(1)?",df$a)
for (i in 1:length(df$a)) {
   df$percentage[i] < ( as.integer( 
                           attr( 
                             regexpr( df$r[i],df$b[i]),"match.length" 
                           ) 
                       ) / str_length(df$a[i]) * 100) 
}

输出：

a          b                                        r percentage
1 NEWYORK001 NEWYORK001 (N)?(E)?(W)?(Y)?(O)?(R)?(K)?(0)?(0)?(1)?        100
2 ORLANDO002    ORLANDO (O)?(R)?(L)?(A)?(N)?(D)?(O)?(0)?(0)?(2)?         70
3  BOSTON003  BOSTON003     (B)?(O)?(S)?(T)?(O)?(N)?(0)?(0)?(3)?        100
4 CHICAGO004 CHICAGO005 (C)?(H)?(I)?(C)?(A)?(G)?(O)?(0)?(0)?(4)?         90
5 ATLANTA005 005ATLANTA (A)?(T)?(L)?(A)?(N)?(T)?(A)?(0)?(0)?(5)?         30

缺点：

>有一个for循环
> ATLANTA005因为005仅在订单中匹配而返回30％.

我会看看我是否能找到一种方法来构建更好的正则表达式

（编辑：李大同）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!