宏伟的计划中,我的目标是只打印具有相似/相同字段名称的行,而不重复。也就是说,如果三行重复,则每行仅打印一次(而不是每个成对比较)。
要重现的最小数据集和库:
library(stringdist)
trye <- data.frame(names = c('aa','aa','aa','bb','bb','cc'),
values = 1:6,
id = c('row 1', 'row 2', 'row 3', 'row 4', 'row 5', 'row 6'),
stringsAsFactors = FALSE)
我的预期输出是具有相同/相似名称(1,2,3,4和5)的行:
trye
# names values id
# 1 aa 1 row 1
# 2 aa 2 row 2
# 3 aa 3 row 3
# 4 bb 4 row 4
# 5 bb 5 row 5
这里有两个尝试没有奏效(其他一些修改引发了错误):
#this one prints row 1,2,3,3,5,5
i <- 1
while (i < length(trye$names)) {
dupe <- amatch(trye$names[[i]],trye$names[-i], maxDist = 1)
if(dupe + 1 > 0) {
print(trye[i,])
duperow <- dupe + 1
print(trye[duperow,])
trye <- trye[-c(i), ]
i <- i + 1
} else {
i <- i + 1
trye <- trye[-c(i), ]
}
}
# this one prints rows 1,2,4,5 which is almost correct,
# it's missing row 3 (as it shares the name with row 1 and 2.
i <- 1
while (i < length(trye$names)) {
dupe <- amatch(trye$names[[i]],trye$names[-i], maxDist = 1)
if(dupe + 1 > 0) {
print(trye[i,])
duperow <- dupe + 1
print(trye[duperow,])
trye <- trye[-c(i,duperow), ]
i <- i + 1
} else {
i <- i + 1
trye <- trye[-c(i,duperow), ]
}
}
请注意,实际数据集很大,因此删除行以使比较更小对我来说似乎(或看起来)是个好主意,而且,实际集中的最大距离大于 1。
您可以使用基地的adist
来获取Levenshtein距离,并按至少具有一个匹配项(除了他们自己)的匹配项进行过滤:
sapply(1:nrow(trye), function(x) sum(adist(trye[x,1], trye[,1])==0)>1)
如果数据非常大,因为adist
很昂贵,则可以删除所有重复项,但每个重复项中的第一个和最后一个除外:
trye[(!duplicated(trye$names) | rev(!duplicated(rev(trye$names)))),]
然后重新添加它们。您可能还想检查openrefine,这是一种可以加快速度的方法。