在R中，创建一个算法来纠正键入错误

我想创建一个能够纠正一些键入错误的算法。在我的例子中，我有一个带有以下变量的数据帧，例如：

data
 id_number   name
 ***123***   Maria dos Santos Magalhães
 ***123**    Maria Santos Magalhães
 ***329**    Lucas Barbosa 
 ***329**    Danilo Carvalho
 ***732**    Paulo Silva da Fonseca
 ***732**    Wagner Silva Junior
 ***732**    Paulo Silva Fonseca 

解释firts变量：id_编号是每个公民的标识，但不会显示在内部。来源仅提供中间数字

我想构造一个概率算法，能够指出或者说两个具有相同中间id_号码的公民是相同还是不同的公民

例如，在732群体中，Maria dos Santos Magalhães和Maria Santos Magalhães很可能是同一公民。在*329组中，两位公民的概率很高，是不同的

第三组更有趣，保罗·席尔瓦·达·丰塞卡和瓦格纳·席尔瓦·朱尼尔不是同一个公民，但保罗·席尔瓦·达·丰塞卡和保罗·席尔瓦·丰塞卡很可能是同一个公民

---

一些想法？

这里有一个使用

adist

和

dplyr

包的解决方案。为了示例，我稍微更改了data.frame，添加了一个

de Fonseca

首先，我们重新创建您的数据：

data <- read.table(text="
id_number;name
123;Maria dos Santos Magalhães
123;Maria Santos Magalhães
329;Lucas Barbosa 
329;Danilo Carvalho
732;Paulo Silva de Fonseca
732;Paulo Silva da Fonseca
732;Wagner Silva Junior
732;Paulo Silva Fonseca", h=T, sep=";")

这是一个使用它的管道：我们首先通过

分组

id\u编号

，在每个组上应用我们的

可能重复的

函数，其结果用于

切片

-ing

data %>% 
  group_by(id_number) %>% 
  slice(possible_duplicates(name)) %>% 
  ungroup()

Source: local data frame [5 x 2]

id_number                       name
(int)                     (fctr)
1       123 Maria dos Santos Magalhães
2       329             Lucas Barbosa 
3       329            Danilo Carvalho
4       732     Paulo Silva de Fonseca
5       732        Wagner Silva Junior

如果需要更严格的阈值（默认为5），可以：

data %>% 
  group_by(id_number) %>% 
  slice(possible_duplicates(name, 2)) %>% 
  ungroup()

Source: local data frame [7 x 2]

id_number                       name
(int)                     (fctr)
1       123 Maria dos Santos Magalhães
2       123     Maria Santos Magalhães
3       329             Lucas Barbosa 
4       329            Danilo Carvalho
5       732     Paulo Silva de Fonseca
6       732        Wagner Silva Junior
7       732        Paulo Silva Fonseca

---

这就是你想要的吗？

虽然没有直接的联系，但会对单词进行模糊匹配。我还没有用过它，但计划很快就用它。经过一些调整，它可能会有用，也许更合适的做法是直接用它。也就是说，按

id\u number

-中间数字分组，比较所有名称，并假设那些在阈值下（由您通过实验确定）的名称足够相似。甚至在基本RNo中为

adist

。我不明白这个案子：如果

data %>% 
  group_by(id_number) %>% 
  slice(possible_duplicates(name, 2)) %>% 
  ungroup()

Source: local data frame [7 x 2]

id_number                       name
(int)                     (fctr)
1       123 Maria dos Santos Magalhães
2       123     Maria Santos Magalhães
3       329             Lucas Barbosa 
4       329            Danilo Carvalho
5       732     Paulo Silva de Fonseca
6       732        Wagner Silva Junior
7       732        Paulo Silva Fonseca