Метод JaroWinkler --› Идентификация символьных/числовых мест в строке

Я работаю над проблемой, чтобы определить, имеет ли указанная строка правильный формат. Я пытаюсь использовать метод нечеткого сопоставления JaroWinkler, чтобы найти показатель сходства между эталонной строкой и интересующими строками.

Правильный формат строки соответствует следующему порядку (N=число, C=символ): NNNCCCCCC.

Я нашел аналогичную проблему в другом вопросе StackOverflow и немного отредактировал код здесь:

library(RecordLinkage)
library(dplyr)
library(stringdist)

ref <-c('123ABCDEF')
words <-c("456GHIJKL","123ABCDEF","78D78DAA2","660ABCDEF")

wordlist <- expand.grid(words = words, ref = ref, stringsAsFactors = FALSE)

df <- wordlist %>% 
        group_by(words) %>% 
        mutate(match_score = jarowinkler(words, ref))

df <- as.data.frame(df)
df

Я знаю, что метод JaroWinkler используется для определения общих символов и учета расстояния между строками, но я не уверен, что это лучший метод. В идеале я хотел бы, чтобы первый и последний элементы в векторе слов были классифицированы как правильные и получили оценку 1, поскольку они имеют формат NNNCCCCCC.

Однако, когда я запускаю этот код, я получаю следующее:

      words       ref match_score
1 456GHIJKL 123ABCDEF   0.0000000
2 123ABCDEF 123ABCDEF   1.0000000
3 78D78DAA2 123ABCDEF   0.3148148
4 660ABCDEF 123ABCDEF   0.7777778

Есть ли лучший метод для этого типа упражнений на сопоставление? Любая помощь будет оценена по достоинству! Благодарю вас!


r comparison fuzzy-search stringdist jaro-winkler
person user2813606    schedule 30.11.2020    source источник
comment
Если вы ищете конкретный шаблон, я бы не стал использовать приблизительное сопоставление строк. У вас есть четкий шаблон: 3 цифры, за которыми следуют 6 символов. Поэтому вам лучше выполнить точное сопоставление строк.   -  person deschen    schedule 01.12.2020

Ответы (1)


arrow_upward
1
arrow_downward

Как было предложено в комментарии выше, я бы сделал точное сопоставление строк. Только пока неясно, что вы имеете в виду под персонажами? Только буквы от A до Z или als, например. знаки препинания? Если только буквы, см. код ниже.

library(tidyverse)

words <-c("456GHIJKL","123ABCDEF","78D78DAA2","660ABCDEF")

str_detect(words, "[[:digit:]]{3}(?=[[:alpha:]]{6})")

который дает:

[1]  TRUE  TRUE FALSE  TRUE

Обновление ответа, чтобы отразить измененный шаблон ТО

words <-c("456GHIJKL","123ABCDEF","78D78DAA2","660ABCDEF", "660A7CDEF")

str_detect(words, "[[:digit:]]{3}(?=[[:alpha:]]{1})(?=[[:digit:]]{1}|[[:alpha:]]{1})(?=[[:alpha:]]{5})")

дает:

[1]  TRUE  TRUE FALSE  TRUE  TRUE
person deschen    schedule 30.11.2020
comment
Огромное спасибо! Как я могу обеспечить некоторую гибкость, если, скажем, 5-е место также может быть персонажем? - person user2813606; 01.12.2020
comment
Может быть персонажем или должен быть персонажем? - person deschen; 01.12.2020
comment
Я думаю примерно так: если бы я хотел сказать, что позиции 1-3 должны быть числовыми, позиция 4 должна быть символьной, позиция 5 может быть любой, а затем позиции 6-9 должны быть числовыми. - person user2813606; 03.12.2020
comment
см. мой обновленный пост выше - person deschen; 03.12.2020
comment
Спасибо еще раз! Это было очень полезно! - person user2813606; 04.12.2020