R:生成一个具有字符串和字符串矩阵的近匹配列表。

Question

我发现了优秀的包“string want”，现在我想使用它来计算字符串的距离。特别是我有一组单词，我想打印出近匹配，其中“近匹配”是通过一些算法，如Levenshtein距离。

我在shell脚本中有非常慢的工作代码，我能够在字符串中加载并生成一个带有度量的矩阵。现在，我想把这个矩阵简化为一个小的矩阵，它只有近匹配，例如，度量是非零的，但小于某个阈值。

kp <-  c('leaflet','leafletr','lego','levenshtein-distance','logo')
kpm <- stringdistmatrix(kp,useNames="strings",method="lv")
> kpm
                     leaflet leafletr lego levenshtein-distance
leafletr                   1                                   
lego                       5        6                          
levenshtein-distance      16       16   18                     
logo                       6        7    1                   19
m = as.matrix(kpm)
close = apply(m, 1, function(x) x>0 & x<5)
>  close
                     leaflet leafletr  lego levenshtein-distance  logo
 leaflet                FALSE     TRUE FALSE                FALSE FALSE
 leafletr                TRUE    FALSE FALSE                FALSE FALSE
 lego                   FALSE    FALSE FALSE                FALSE  TRUE
 levenshtein-distance   FALSE    FALSE FALSE                FALSE FALSE
 logo                   FALSE    FALSE  TRUE                FALSE FALSE

好的，现在我有了一个(大) dist，我如何将它还原为一个列表，其中的输出将类似于

leafletr,leaflet,1
logo,lego,1

只适用于度量为非零且小于n=5的情况？我找到了让我做测试的“()”，现在我需要弄清楚如何使用它。

这个问题并不是针对字符串和字符串矩阵的，而是非常基本的R，但我还是被困住了。我怀疑答案涉及子集()，但我不知道如何将"dist“转换为其他东西。

Answer 1

你可以这样做：

library(reshape2)
d <- unique(melt(m))
out <- subset(d, value > 0 & value < 5)

在这里，melt将m带入长格式(两个列具有字符串名，一个列具有值)。然而，由于我们融化了一个对称矩阵，所以我们使用unique进行去复制。

另一种方法是使用dplyr (因为现在所有酷的孩子都在使用dplyr和管道)：

library(dlpyr)
library(reshape2)
library(magrittr)

out <- melt(m) %>% distinct() %>% filter(value > 0 & value < 5)

第二种选择可能更快，但我还没有真正计时。

Answer 2

设置您的数据：

library('stringdist')
library('dplyr')
kp <-  c('leaflet','leafletr','lego','levenshtein-distance','logo')
kpm <- stringdistmatrix(kp,useNames="strings",method="lv")

在这里，我们可以将kpm转换为数据格式：

kpm <- data.frame(as.matrix(kpm))

这是一种获取数据的方法，它有一个“1”来标记单词是否足够接近：

idx <- apply(kpm, 2, function(x) x >0 & x<5)
idx <- apply(idx, 1:2, function(x) if(isTRUE(x)) x<-1 else x<-NA)
#> idx
#                     leaflet leafletr lego levenshtein.distance logo
#  leaflet                   NA        1   NA                   NA   NA
#  leafletr                   1       NA   NA                   NA   NA
#  lego                      NA       NA   NA                   NA    1
#  levenshtein-distance      NA       NA   NA                   NA   NA
#  logo                      NA       NA    1                   NA   NA

为了使事情变得简单，融化数据，过滤它，去掉最后一列：

final <- melt(idx) %>%
        filter(value==1) %>%
        select(Var1, Var2)

别忘了把一切都变成角色，而不是因素！(有时就像R的破纪录.)

final[] <- lapply(final, as.character)
#> final
#      Var1     Var2
#  leafletr  leaflet
#   leaflet leafletr
#      logo     lego
#      lego     logo

现在我们处理掉这些副本：

final <- final[!duplicated(data.frame(list(do.call(pmin,final),do.call(pmax,final)))),]

记住一些好名字，你就可以走了。

names(final) <- c('string 1', 'string 2')
#> final
# string 1 string 2
# leafletr  leaflet
#     logo     lego

(虽然您请求了一个列表，但这是一个数据文件。从这里开始，根据你的需要很容易地转换成你想要的任何东西，例如，写信给csv等等。