一道相对较难的用R语言实现较为精准的模糊匹配的题目，谢谢解答，有金币奖励

有数据源如下：


然后要模糊匹配成的结果如下:（把所有名字相近的企业聚到一起竖列排下去）


找到相似的企业名字（但数据源中北京市中和街道这种地域名不能算进，因为按区域命名的企业太多）

这道题目很难，希望会的朋友能教授一下！谢谢

能想到的方法是截取字符串后分组聚合，亦或是用ETL算法相似匹配，可能有一定的失误率

你输入的是模糊匹配关键词是什么？还是说你就是要把所有名字相近的企业名全部聚在一起？

zerofung 发表于 2016-8-11 16:08
你输入的是模糊匹配关键词是什么？还是说你就是要把所有名字相近的企业名全部聚在一起？

把所有名字相近的企业名全部聚在一起，按相近的企业名这么排下去
就是我贴的那个结果图片

畅饮0 发表于 2016-8-11 16:46
把所有名字相近的企业名全部聚在一起，按相近的企业名这么排下去
就是我贴的那个结果图片

如果是这样，我觉得应该有针对字符串的聚类分析？但是我真的不懂。
提供一个比较投机取巧的思路，可能有帮助。
用正则gsub把“集团”“有限”“公司”“街道”等明显无关的词去掉，然后order，可能实现吗？但好像会丢失很多东西
如果有其他人解答了麻烦提醒我一下，我也想学习一下，谢谢。

看看文本挖掘等技术，相信能解决，把文字信息变为数值等策略，然后聚类等。

鸟儿找虫吃 发表于 2016-8-11 14:23
能想到的方法是截取字符串后分组聚合，亦或是用ETL算法相似匹配，可能有一定的失误率

目前也只有这个方法，感谢

畅饮0 发表于 2016-8-11 14:23
有数据源如下：

楼主楼主，不知道你还在不在，我现在遇到同样的问题了，还想问一下，您解决了吗

我编过R的代码，思路就是把公司的名字拆开，逐字比较，找到最接近的那个
速度不快，做几千个公司名字，大概需要20多分钟
也许是我编的算法效率不行
看看有谁有更好的方法吧，也学习一下

BG4IMP 发表于 2022-12-13 21:05
我编过R的代码，思路就是把公司的名字拆开，逐字比较，找到最接近的那个
速度不快，做几千个公司名字，大 ...

stringdist包可以计算字符串距离，选用有最长共同子串距离：

1. library(stringdist)

复制代码