MetaPhone函数(如SoundEx)函数及其在R？

Question

我希望使用MetaPhone、双元电话机、卡弗福涅、MetaPhone3、SoundEx，如果有人已经在'R‘中完成了NameX函数，那么我就可以在分析之前对数据清理操作进行分类和汇总，以最小化数据清理操作。

我充分意识到，每种算法都有其自身的优点和缺点，更倾向于不使用SoundEx，但如果我找不到替代方法，它可能仍然有效；就像在这篇文章中提到 Harper会匹配SoundEx下的任何一个不相关的名称列表一样，但在Metaphone中不应该为了更好的结果匹配而工作。

虽然我不确定哪个最适合我的目的，同时仍然保持了一些灵活性，所以这就是为什么我想尝试一下其中的几个，并且在查看这些值之前，生成如下表。

​

​

表源链接

姓氏不是我最初分析的主题，但我认为这是一个很好的例子，因为我想有效地考虑所有类似于“听起来”的词被视为相同的价值，这就是我试图用一个简单的称呼来做的事情--当价值被评估时。

有些事情我已经看过了：

• 我知道C包可以用RCpp编写和调用，甚至还有用于SE上的SoundEx的C解决方案，但是我以前还没有编写一个R包，如果有一种更简单的方法直接在R中实现，或者有一个具有可用功能的包存在，我希望避免重新发明轮子？
• 我知道RecordLinkage和现在的弦乐包有一个SoundEx函数，但没有任何形式的MetaPhone函数。

因此，我特别寻找一个答案是如何在R中的MetaPhone / Caverphone函数，并知道“值”，以便我可以按它们分组数据值？

另外的警告是，我仍然认为我自己是相当新的R，因为我不是一个日常的用户。

Answer 1

算法非常简单，但我也找不到一个现有的R包。如果您真的需要在R中完成这项工作，一个短期选项是安装python模块metaphone (pip install metaphone)，然后使用rPython桥在R中使用它：

library(rPython)

python.exec("from metaphone import doublemetaphone")
python.call("doublemetaphone", "architect")
[1] "ARKTKT" ""

这不是最优雅的解决方案，但它可以让您在R中运行metaphone。

Apache有一个编解码器库，它还实现了metaphone算法：

library(rJava)

.jinit() # need to have commons-codec-1.10.jar in your CLASSPATH

mp <- .jnew("org.apache.commons.codec.language.Metaphone")
.jcall(mp,"S","metaphone", "architect")
[1] "ARXT"

您可以将上面的.jcall变成一个R函数，并像其他任何R函数一样使用它：

metaphone <- function(x) {
  .jcall(mp,"S","metaphone", x)  
}

sapply(c("abridgement", "stupendous"), metaphone)

## abridgement  stupendous 
##      "ABRJ"      "STPN"

跨平台的java接口也可能更兼容。

下面是使用java接口的更完整的视图：

library(rJava)

.jinit()

mp <- .jnew("org.apache.commons.codec.language.Metaphone")
dmp <- .jnew("org.apache.commons.codec.language.DoubleMetaphone")

metaphone <- function(x) {
  .jcall(mp,"S","metaphone", x)  
}

double_metaphone <- function(x) {
  .jcall(dmp,"S","doubleMetaphone", x)  
}

words <- c('Catherine', 'Katherine', 'Katarina', 'Johnathan', 
           'Jonathan', 'John', 'Teresa', 'Theresa', 'Smith', 
           'Smyth', 'Jessica', 'Joshua')

data.frame(metaphone=sapply(words, metaphone),
           double=sapply(words, double_metaphone))

##           metaphone double
## Catherine      K0RN   K0RN
## Katherine      K0RN   K0RN
## Katarina       KTRN   KTRN
## Johnathan      JN0N   JN0N
## Jonathan       JN0N   JN0N
## John             JN     JN
## Teresa          TRS    TRS
## Theresa         0RS    0RS
## Smith           SM0    SM0
## Smyth           SM0    SM0
## Jessica         JSK    JSK
## Joshua           JX     JX

Answer 2

现在，在R包PGRdup中实现了双元电话。

install.packages(PGRdup)
library(PGRdup)
words <- c('Catherine', 'Katherine', 'Katarina', 'Johnathan', 
           'Jonathan', 'John', 'Teresa', 'Theresa', 'Smith', 
           'Smyth', 'Jessica', 'Joshua')
DoubleMetaphone(words)

$primary
 [1] "K0RN" "K0RN" "KTRN" "JN0N" "JN0N" "JN"   "TRS"  "0RS"  "SM0"  "SM0"  "JSK"  "JX"  

$alternate
 [1] "KTRN" "KTRN" "KTRN" "ANTN" "ANTN" "AN"   "TRS"  "TRS"  "XMT"  "XMT"  "ASK"  "AX"  

Answer 3

我一直在为这个程序设计一个包，名为phonic，几个月。我已经实现了一些常见和不常见的功能，包括Caverphone、Caverphone2、Metaphone和soundex。其他一些也得到了落实。在调用1.0之前，我还有一些计划实现，但我刚刚向CRAN提交了一个包的发行版。