неожиданные результаты agrep(), связанные с максимальным расстоянием в R
Вопрос
Редактировать: Эта ошибка, обнаруженная в 32-разрядных версиях R, была исправлена в R версии 2.9.2.
Это написал мне сегодня в твиттере @leoniedu, и у меня нет ответа для него, поэтому я решил опубликовать это здесь.
Я прочитал документацию для agrep() (нечеткое сопоставление строк), и, похоже, я не до конца понимаю параметр max.distance .Вот пример:
pattern <- "Staatssekretar im Bundeskanzleramt"
x <- "Bundeskanzleramt"
agrep(pattern,x,max.distance=18)
agrep(pattern,x,max.distance=19)
Это ведет себя именно так, как я и ожидал.Между строками различаются 18 символов, так что я бы ожидал, что это будет пороговым значением совпадения.Вот что меня смущает:
agrep(pattern,x,max.distance=30)
agrep(pattern,x,max.distance=31)
agrep(pattern,x,max.distance=32)
agrep(pattern,x,max.distance=33)
Почему совпадают 30 и 33, а не 31 и 32?Чтобы сэкономить вам время на подсчете,
> nchar("Staatssekretar im Bundeskanzleramt")
[1] 34
> nchar("Bundeskanzleramt")
[1] 16
Решение
Некоторое время назад я опубликовал это в списке R и сообщил об ошибке в R-bugs-list.У меня не было полезных ответов, поэтому я написал в твиттере, чтобы узнать, воспроизводима ли ошибка или я просто что-то упустил.Джей Ди Лонг смог воспроизвести это и любезно разместил вопрос здесь.
Обратите внимание, что, по крайней мере, в R, тогда agrep является неправильным термином, поскольку он делает не соответствует регулярным выражениям, в то время как grep расшифровывается как "Глобальный поиск регулярного выражения и печать".У него не должно возникнуть проблем с шаблонами длиннее целевого вектора.(я думаю!)
На моем сервере Linux все хорошо, но не так на моих компьютерах Mac и Windows.
Mac:sessionInfo() R версия 2.9.1 (2009-06-26) i386-apple-darwin8.11.1 локализация:en_US.UTF-8/en_US.UTF-8/C/C/en_US.UTF-8/en_US.UTF-8
agrep(шаблон, x, максимальноерасстояние =30) [1] 1
agrep (шаблон, x, максимальное расстояние = 31) целое число (0) agrep (шаблон, x, максимальное расстояние = 32) целое число (0) agrep(шаблон, x, максимальноерасстояние=33) [1] 1
Linux:R версия 2.9.1 (2009-06-26) x86_64-неизвестно-linux-gnu
локаль:LC_CTYPE=en_US.UTF-8;LC_NUMERIC=C;LC_TIME=en_US.UTF-8;LC_COLLATE=en_US.UTF-8;LC_MONETARY=C;LC_MESSAGES=en_US.UTF-8;LC_PAPER=en_US.UTF-8;LC_NAME=C;LC_ADDRESS=C;LC_TELEPHONE=C;LC_MEASUREMENT=en_US.UTF-8;LC_IDENTIFICATION=C
agrep(шаблон,x,максимальное расстояние = 30) [1] 1 agrep (шаблон,x, максимальноерасстояние = 31) [1] 1 agrep (шаблон, x,максимальноерасстояние = 32) [1] 1 agrep (шаблон,x, максимальноерасстояние = 33) [1] 1
Другие советы
Я не уверен, имеет ли смысл ваш пример.Для базового grep() шаблон часто является простым или регулярным выражением, а x - это вектор, элемент которого сопоставляется шаблону.Наличие шаблона в виде более длинной строки, чем x, кажется мне странным.
Рассмотрим это, где мы просто используем grep вместо substr:
R> grep("vo", c("foo","bar","baz")) # vo is not in the vector
integer(0)
R> agrep("vo", c("foo","bar","baz"), value=TRUE) # but is close enough to foo
[1] "foo"
R> agrep("vo", c("foo","bar","baz"), value=TRUE, max.dist=0.25) # still foo
[1] "foo"
R> agrep("vo", c("foo","bar","baz"), value=TRUE, max.dist=0.75) # now all match
[1] "foo" "bar" "baz"
R>