与R中的max.distance相关的意想不到的agrep()结果

Question

编辑：这个错误是在32位版本的R中发现的，在RVersion2.9.2中得到了修正。

这是今天@leoniedu给我发的推特，我没有他的回复，所以我想我应该把它发到这里。

我已经阅读了很多关于agrep() (模糊字符串匹配)的文档，而且我似乎还不完全理解max.distance参数。下面是一个例子：

pattern <- "Staatssekretar im Bundeskanzleramt"
x <- "Bundeskanzleramt"
agrep(pattern,x,max.distance=18) 
agrep(pattern,x,max.distance=19)

就像我所期望的那样。字符串之间有18个字符不同，所以我希望这是匹配的阈值。让我困惑的是：

agrep(pattern,x,max.distance=30) 
agrep(pattern,x,max.distance=31)
agrep(pattern,x,max.distance=32) 
agrep(pattern,x,max.distance=33)

为什么是30和33场比赛，而不是31场和32场？为了给你省点钱，

> nchar("Staatssekretar im Bundeskanzleramt")
[1] 34
> nchar("Bundeskanzleramt")
[1] 16

Answer 1

不久前，我在R列表上发布了这篇文章，并将其作为R- bug列表中的一个bug来报告。我没有什么有用的回答，所以我抽搐着想看看这个bug是可以复制的，还是我只是遗漏了什么。JD Long能够复制它，并善意地在这里张贴了这个问题。

请注意，至少在R中，grep是一个错误的名称，因为它不匹配正则表达式，而grep则表示“全局搜索正则表达式和打印”。它应该不会遇到比目标向量更长的模式问题。(我想！)

在我的linux服务器中，一切都很好，但在我的Mac和Windows机器上却不是这样。

Mac: en_US.UTF-8/en_US.UTF-8/C/C/en_US.UTF-8/en_US.UTF-8 : sessionInfo() R版本2.9.1 (2009-06-26) i 386-apple-darwin8.11.1语言环境

(模式，x，max.distance=30) 1 1

(模式，x，max.distance=31)整数(模式，x，max.distance=32)整数(0)

Linux: r版本2.9.1 (2009-06-26) x86_64-未知-linux-gnu

地区: LC_CTYPE=en_US.UTF-8;LC_NUMERIC=C;LC_TIME=en_US.UTF-8;LC_COLLATE=en_US.UTF-8;LC_MONETARY=C;LC_MESSAGES=en_US.UTF-8;LC_PAPER=en_US.UTF-8;LC_NAME=C;LC_ADDRESS=C;LC_TELEPHONE=C;LC_MEASUREMENT=en_US.UTF-8;LC_IDENTIFICATION=C

(模式，x，max.distance=30) 1 1(模式，x，max.distance=31) 1 1(模式，x，max.distance=32)

Answer 2

我不确定你的榜样是否合理。对于基本的grep()，模式通常是一个简单的或正则表达式，而x是其元素与模式匹配的向量。我觉得x字串的图案很奇怪。

考虑一下这里我们只使用grep而不是substr：

R> grep("vo", c("foo","bar","baz"))   # vo is not in the vector
integer(0)
R> agrep("vo", c("foo","bar","baz"), value=TRUE) # but is close enough to foo
[1] "foo"
R> agrep("vo", c("foo","bar","baz"), value=TRUE, max.dist=0.25) # still foo
[1] "foo"
R> agrep("vo", c("foo","bar","baz"), value=TRUE, max.dist=0.75) # now all match
[1] "foo" "bar" "baz"
R>