1 
library(dplyr)
library(fuzzyjoin)

df1 <- data.frame(x = c("Socks", "Mouse"))
df2 <- data.frame(y = c("Sock", "House"))

stringdist_left_join(df1, df2, 
                 by = c(x = "y"),
                 max_dist = 1,
                 ignore_case = TRUE,
                 distance_col = "distance")

输出：

      x     y distance
1 Socks  Sock        1
2 Mouse House        1

对于这两种比较（Socks vs. Sock 和 Mouse vs. House），我得到相同的距离。到目前为止，一切都很好。但是现在我想在语义级别上匹配单词。在第一个比较（Socks 与 Sock）中，区别仅在于复数与单数。我会把这算作一场比赛。然而，在第二个比较（Mouse vs. House）中，这两个词的含义不同。我不想把这算作一场比赛。有什么建议我可以添加另一列（例如，“匹配”），在第一行（对于 Socks 与 Sock）和 FALSE 在第二行（对于 Mouse vs. House）中我将具有 TRUE？

有没有办法表明我想忽略后缀？考虑类似于“ignore_case = TRUE”的东西（见代码）

我有一个带有德语单词的长数据集。我更喜欢不需要使用字典的解决方案（即适用于更多用例的解决方案）。但是，如果没有办法解决它，我将不胜感激有关如何使用德语词典解决我的问题的详细信息。

4

1 回答 1

0

stringdist_fuzzy_join method = "soundex" 可能会有所帮助。不同的方法有不同的距离，然后你可以设置一个最大距离（但很难在所有情况下都得到完美的匹配）。

您可能会发现这也很有帮助： https ://cran.r-project.org/web/packages/fuzzyjoin/vignettes/stringdist_join.html

于 2020-10-20T07:24:29.730 回答