我的目标是在IT技术领域中,仅打印具有相似/相同字段名称的行而不重复。也就是说,如果三行是重复的,则仅打印每个行一次(而不是每个成对比较)。
一个可重现的最小数据集和库:
library(stringdist)
trye <- data.frame(names = c('aa','aa','aa','bb','bb','cc'),
values = 1:6,
id = c('row 1', 'row 2', 'row 3', 'row 4', 'row 5', 'row 6'),
stringsAsFactors = FALSE)
我的期望输出是具有相同/相似名称的行(1、2、3、4和5):
trye
# names values id
# 1 aa 1 row 1
# 2 aa 2 row 2
# 3 aa 3 row 3
# 4 bb 4 row 4
# 5 bb 5 row 5
这里有两种尝试,但都没有成功(其他一些修改会引发错误):
#this one prints row 1,2,3,3,5,5
i <- 1
while (i < length(trye$names)) {
dupe <- amatch(trye$names[[i]],trye$names[-i], maxDist = 1)
if(dupe + 1 > 0) {
print(trye[i,])
duperow <- dupe + 1
print(trye[duperow,])
trye <- trye[-c(i), ]
i <- i + 1
} else {
i <- i + 1
trye <- trye[-c(i), ]
}
}
# this one prints rows 1,2,4,5 which is almost correct,
# it's missing row 3 (as it shares the name with row 1 and 2.
i <- 1
while (i < length(trye$names)) {
dupe <- amatch(trye$names[[i]],trye$names[-i], maxDist = 1)
if(dupe + 1 > 0) {
print(trye[i,])
duperow <- dupe + 1
print(trye[duperow,])
trye <- trye[-c(i,duperow), ]
i <- i + 1
} else {
i <- i + 1
trye <- trye[-c(i,duperow), ]
}
}
请注意实际数据集非常庞大,因此删除行以使比较更小似乎(或者曾经似乎)是一个好主意。另外,实际数据集中的最大距离大于1。
adist
而不是amatch
,通过以下编程来计算:sapply(1:nrow(trye), function(x) sum(adist(trye[x,1], trye[,1])==0)>1)
。 - jeremycg